Skill/skills/lyxy-reader-html/SKILL.md

name, description, compatibility

name	description	compatibility
lyxy-reader-html	解析 HTML 文件和 URL 网页内容的 skill，将 HTML 转换为 Markdown 格式，支持全文提取、标题提取、章节提取、正则搜索、字数统计、行数统计。URL 模式下自动下载网页内容，支持 JS 渲染。使用时请阅读 scripts/README.md 获取详细用法。	Requires Python 3.6+. 推荐通过 lyxy-runner-python skill 使用 uv 自动管理依赖。

HTML 网页解析 Skill

将 HTML 文件或 URL 网页内容解析为 Markdown 格式，支持多种查询模式。

Purpose

统一入口：使用 scripts/parser.py 作为统一的命令行入口，自动识别输入类型（URL 或 HTML 文件）并执行解析。

依赖选项：此 skill 必须优先使用 lyxy-runner-python skill 执行，不可用时降级到直接 Python 执行。

When to Use

任何需要读取或解析 HTML 文件、URL 网页内容的任务都应使用此 skill。

典型场景

• 网页内容提取：将 URL 或本地 HTML 文件转换为可读的 Markdown 文本
• 文档元数据：获取文档的字数、行数等信息
• 标题分析：提取文档的标题结构
• 章节提取：提取特定章节的内容
• 内容搜索：在文档中搜索关键词或模式

触发词

• 中文："读取/解析/打开 html/htm 网页/URL"
• 英文："read/parse/extract html/htm web page url"
• 文件扩展名：.html、.htm
• URL 模式：http://、https://

Quick Reference

参数	说明
（无参数）	输出完整 Markdown 内容
-c	字数统计
-l	行数统计
-t	提取所有标题
-tc <name>	提取指定标题的章节内容
-s <pattern>	正则表达式搜索
-n <num>	与 -s 配合，指定上下文行数

Workflow

1. 检查依赖：优先使用 lyxy-runner-python，否则降级到直接 Python 执行
2. 识别输入：自动判断是 URL 还是本地 HTML 文件
3. 下载内容：URL 模式下按 pyppeteer → selenium → httpx → urllib 优先级下载
4. 清理 HTML：移除 script/style/link/svg 等标签和 URL 属性
5. 执行解析：按 trafilatura → domscribe → MarkItDown → html2text 优先级解析
6. 输出结果：返回 Markdown 格式内容或统计信息

基本语法

# 使用 lyxy-runner-python（推荐）
uv run --with trafilatura --with domscribe --with markitdown --with html2text --with httpx --with pyppeteer --with selenium --with beautifulsoup4 scripts/parser.py https://example.com

# 降级到直接执行
python3 scripts/parser.py https://example.com

References

详细文档请参阅 references/ 目录：

文件	内容
references/examples.md	URL 和 HTML 文件的完整提取、字数统计、标题提取、章节提取、搜索等示例
references/parsers.md	解析器说明、依赖安装、各解析器输出特点、能力说明
references/error-handling.md	限制说明、最佳实践、依赖执行策略

详细用法：请阅读 scripts/README.md 获取完整的命令行参数和依赖安装指南。