HTML 内容提取、清理与交付工作流

目标与适用范围

从 HTML 中提取链接、图片、属性和表格，去掉无关标记，并交付经过核对的 Markdown、PDF 或 CSV 输出。
本指南将当前任务范围转化为可复核的交付结果。请保留源文件、中间产物和关键判断，让后续协作者能够理解检查了什么以及为什么这样处理。

准备证据并作出选择

• 使用具有代表性的 HTML 文件或页面存档，保证后续核对都基于同一份来源。

• 先明确最终要沉淀的是可编辑 Markdown、定版 PDF、表格 CSV，还是三者组合。

• 在清理前列出必须保留的标签、属性、表格和媒体引用，避免误删有效内容。

• 决策点: 最终可复用产物是什么？. 文本后续还要编辑就选 Markdown，需要稳定版式审阅就选 PDF，只有真正的表格数据才应导出为 CSV。

• 决策点: 哪些标记是正文信号，哪些是页面噪声？. 把导航、埋点属性、脚本、内联样式和装饰容器，与真正需要保留的链接、图片、标题和正文区分开。

• 决策点: 如何证明输出还能复用？. 提前设计核对方式，确认转换后标题、链接目标、图片引用、表格行列和可见文本都没有跑偏。

按步骤完成工作流

1. 盘点页面结构资产

先抽取 HTML 属性、链接目标、图片来源和候选表格，建立一份结构清单，明确后续清理绝不能丢掉哪些元素。 使用 html-attribute-extractor, image-source-extractor, html-table-to-csv.

2. 有边界地去噪

剥离无关标签并压缩冗余标记，但要保护承载标题、正文、引用和表格语义的节点，不把内容清理成只有纯文本。 使用 html-tag-stripper, html-minifier, html-tags.

3. 按交付目标生成结果

把清理后的 HTML 转成可编辑 Markdown、版式稳定的 PDF，或两者同时产出；PDF 工具要根据原页面样式和分页要求来选。 使用 html-to-markdown, html-to-pdf-precise, html-to-pdf-renderer.

4. 验证结果是否可重复利用

对生成物再次检查表格、链接、图片和编码文本，确保接收方不打开原页面也能继续引用、审阅或再加工。 使用 html-table-to-csv, html-attribute-extractor, html-entity-encoder.

交付前验收结果

• 需要的链接、图片来源、属性和表格都在破坏性清理前完成提取。
• 被删除的标签和属性都属于有意裁剪，没有误伤正文或结构化数据。
• 生成的 Markdown、PDF、CSV 与预定用途一致，并保留应有的内容子集。
• 核对记录能证明交付物可复用，包括标题、链接落点、媒体引用和表格内容与源页面一致。

常见问题

• 什么时候应把表格导成 CSV，而不是留在 Markdown 里？ 当下游需要分析、排序、筛选或导入表格软件时，应导出 CSV；如果表格主要是配合正文解释内容，则保留在 Markdown 更合适。
• 为什么要先提取链接和图片，再删标签？ 先提取能形成结构基线，后面就能明确判断清理是否误删了目标链接、图片资源或某块表格。
• 两个 HTML 转 PDF 工具怎么选？ 重视版式精确和稳定分页时优先选 html-to-pdf-precise；需要更接近浏览器渲染现代 HTML/CSS 时更适合 html-to-pdf-renderer。
• HTML 压缩后体积变小，是否就说明结果可交付？ 不能这样判断。还必须核对可见文本、表格数值、链接落点和媒体引用，确认内容没有在转换中悄悄丢失。