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
1.2 KiB
1.2 KiB
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