HTML 到 Markdown 与 html2text答案

【问题标题】：HTML to Markdown with html2textHTML 到 Markdown 与 html2text
【发布时间】：2017-12-15 11:56:06
【问题描述】：

我可以使用html2text库成功地将一些HTML代码转换为python中的markdown，它看起来像这样：

def mark_down_formatting(html_text, url):
    h = html2text.HTML2Text()

    # Options to transform URL into absolute links
    h.body_width = 0
    h.protect_links = True
    h.wrap_links = False
    h.baseurl = url

    md_text = h.handle(html_text)

    return md_text

这有一段时间很好，但它有限制，因为我找不到任何方法来自定义 documentation 上的输出。

其实我不需要太多的定制，我只需要这个HTML标签<span class="searched_found">example text</span>在markdown中转换成我给的任何东西。可能是这个+example text+

所以我正在寻找我的问题的解决方案，因为 html2text 是一个很好的库，它允许我配置一些选项，比如我用超链接显示的那些，如果有一个基于这个库的解决方案会很好.

更新：

我有一个使用 BeautifulSoup 库的解决方案，但我认为它是一个临时补丁，因为它添加了另一个依赖项并且添加了许多不必要的处理。我在这里所做的是编辑 HTML before 解析成 markdown ：

def processing_to_markdown(html_text, url, delimiter):
    # Not using "lxml" parser since I get to see a lot of different HTML
    # and the "lxml" parser tend to drop content when parsing very big HTML
    # that has some errors inside
    soup = BeautifulSoup(html_text, "html.parser")

    # Finds all <span class="searched_found">...</span> tags
    for tag in soup.findAll('span', class_="searched_found"):
        tag.string = delimiter + tag.string + delimiter
        tag.unwrap()  # Removes the tags to only keep the text

    html_text = unicode(soup)

    return mark_down_formatting(html_text, url)

对于非常长的 HTML 内容，这被证明是相当慢的，因为我们两次解析 HTML，一次使用 BeautifulSoup，然后使用 html2text。

【问题讨论】：

标签： python html parsing markdown

【解决方案1】：

markdownify可以帮忙

markdownify 使用 BeautifulSoup 进行解析

soup = BeautifulSoup(html, 'html.parser')

可以自定义转换

import markdownify

"""
https://stackoverflow.com/questions/45034227/html-to-markdown-with-html2text
https://beautiful-soup-4.readthedocs.io/en/latest/#multi-valued-attributes
https://beautiful-soup-4.readthedocs.io/en/latest/#contents-and-children
"""

class CustomMarkdownConverter(markdownify.MarkdownConverter):
    def convert_a(self, el, text, convert_as_inline):
        classList = el.get("class")
        if classList and "searched_found" in classList:
            # custom transformation
            # unwrap child nodes of <a class="searched_found">
            text = ""
            for child in el.children:
                text += super().process_tag(child, convert_as_inline)
            return text
        # default transformation
        return super().convert_a(el, text, convert_as_inline)

# Create shorthand method for conversion
def md4html(html, **options):
    return CustomMarkdownConverter(**options).convert(html)

md = md4html("""<a class="searched_found"><b>hello</b> world</a>""")

【讨论】：