在python 3中解析markdown文件中的元素答案

【问题标题】：Parsing elements from a markdown file in python 3在python 3中解析markdown文件中的元素
【发布时间】：2016-12-03 07:29:15
【问题描述】：

如何在 python 3 中从 markdown 文件中获取元素列表？我对从 Markdown 文件中获取所有图像和链接的列表（以及相关信息，如替代文本和链接文本）特别感兴趣。

this 是这方面的一些现有技术，但此时它几乎正好有 2 年的历史，我预计情况会有所改变。

如果您提出的解析器支持多标记，则加分。

【问题讨论】：

@coralv ：我已经研究了正则表达式来提取链接，但遇到了一个问题，我真的需要一个下推自动机来解决任意嵌套的括号。在构建解析器之前，我主要是在寻找库解决方案。
Markdown 本身十多年来没有改变，所以我想说链接的问题和答案是最新的。

标签： python markdown multimarkdown

【解决方案1】：

如果你利用两个 Python 包，pypandoc 和 panflute，你可以在几行代码中完成它（sample code）：

给定一个文本文件example.md，并假设您有 Python 3.3+ 并且已经使用了pip install pypandoc panflute，然后将示例代码放在同一个文件夹中并从 shell 或从例如运行它。空闲。

import io
import pypandoc
import panflute

def action(elem, doc):
    if isinstance(elem, panflute.Image):
        doc.images.append(elem)
    elif isinstance(elem, panflute.Link):
        doc.links.append(elem)

if __name__ == '__main__':
    data = pypandoc.convert_file('example.md', 'json')
    doc = panflute.load(io.StringIO(data))
    doc.images = []
    doc.links = []
    doc = panflute.run_filter(action, prepare=prepare, doc=doc)

    print("\nList of image URLs:")
    for image in doc.images:
        print(image.url)

步骤如下：

使用pypandoc获取包含markdown文档AST的json字符串
将其加载到 panflute 以创建 Doc 对象（panflute 需要流，因此我们使用 StringIO）
使用 run_filter 函数迭代每个元素，并提取 Image 和 Link 对象。
然后您可以打印网址、替代文本等。

【讨论】：

【解决方案2】：

您可以使用Python-Markdown 将markdown 转换为html，然后使用Beautiful Soup 从html 文档中提取您想要的内容，这使得提取图像和链接非常简单。

这可能看起来像一个复杂的管道，但它肯定比使用正则表达式编写一个 ad hoc markdown 解析器更容易和更健壮。这些模块经过实战考验且高效。

【讨论】：

Python-Markdown 在内部使用 ElementTree 并具有广泛的扩展 API。您可以中断解析器并循环遍历 ElementTree 以提取元素并跳过几个步骤。但这会以它们并非真正想要的方式扭曲事物，因此解析 HTML 输出可能会得到更可靠的结果。
Python-Markdown 也有大量可用的扩展（included 和 third-party），因此您应该能够获得 MultiMarkdown 的大部分（如果不是全部）功能。如果缺少您真正关心的功能，您可以write your own extension。