lanyuanxiaoyao
6b4fcf2647
- 新增 skill: lyxy-reader-html，用于解析 HTML 文件和 URL 网页内容 - 支持 URL 下载（pyppeteer → selenium → httpx → urllib 优先级回退） - 支持 HTML 解析（trafilatura → domscribe → MarkItDown → html2text 优先级回退） - 支持查询功能：全文提取、字数统计、行数统计、标题提取、章节提取、正则搜索 - 新增 spec: html-document-parsing - 归档 change: create-lyxy-reader-html-skill
27 lines
1.2 KiB
Markdown
27 lines
1.2 KiB
Markdown
## Why
|
||
|
||
当前已有 `lyxy-reader-office` skill 用于解析办公文档，但缺少对 HTML 网页内容的解析能力。用户需要从 URL 或本地 HTML 文件中提取内容并转换为 Markdown 格式，同时支持标题提取、内容搜索等查询功能。
|
||
|
||
## What Changes
|
||
|
||
- 创建新 skill `lyxy-reader-html`，目录结构参考 `lyxy-reader-office`
|
||
- 实现命令行工具 `scripts/parser.py`，接受 URL 或 HTML 文件作为输入
|
||
- URL 模式下按优先级尝试下载器：pyppeteer → selenium → httpx → urllib
|
||
- HTML 解析按优先级尝试：trafilatura → domscribe → MarkItDown → html2text
|
||
- 支持 HTML 预处理清理（移除 script/style/link 等标签和 URL 属性）
|
||
- 实现查询功能：全文输出、字数统计、行数统计、标题提取、章节提取、正则搜索
|
||
|
||
## Capabilities
|
||
|
||
### New Capabilities
|
||
- `html-document-parsing`: HTML 文档和 URL 内容解析能力，将 HTML 转换为 Markdown 并支持多种查询模式
|
||
|
||
### Modified Capabilities
|
||
（无）
|
||
|
||
## Impact
|
||
|
||
- 新增目录 `skills/lyxy-reader-html/`
|
||
- 新增 Python 脚本依赖：trafilatura、domscribe、markitdown、html2text、httpx、pyppeteer、selenium、beautifulsoup4
|
||
- 与现有 skill 完全隔离，不影响其他功能
|