如何获得有效的前300个字符的HTML或降价?

如果你对摘要只是纯文本的理解是正确的,那么亚当的答案肯定是最好的——先转换为纯文本,然后截断。

如果您想保持格式,那么还有一个想法:

• 从Markdown转换为HTML。
• 在HTML中运行一个解析器,它将为您提供一个令牌流(例如Perl的 HTML::TokeParser::Simple ,但我敢肯定有类似于Python的东西——或者您可以将任何基于事件的解析器转换为这些解析器中的一个)。
• 当您获得元素标记时,将它们复制到输出,同时维护一堆未关闭的标记。
• 当您获得文本标记时,将它们复制到输出,同时保持输出的文本量的计数。
• 当你得到一个超过限制的文本标记时,只复制足够的字符来达到限制,为堆栈上任何未关闭的标记生成结束标记,并停止处理。

如果你用任意的HTML来做这件事,那么你会有很多奇怪的事情需要担心,但是既然你是从降价开始的,它实际上应该可以很好地工作。任何合适的降价转换器都应该生成格式良好的HTML,其中包含相当少的标记。

实际上,最简单和最安全的方法是从标记源代码生成HTML,并将其转换为纯文本(请参见 html2plaintext ,然后将其缩小到300个字符。

一个更有效的方法可能是修改markdown解析器,只输出所有文本节点的前300个字符,但我真的认为这些修改不能证明性能的好处。

不知道它是否适用于python,但是 this tutorial 可能对你有帮助。基本上,它会在文本被剪裁后扫描未关闭的标签,并自动关闭它。

使用事件分析器,忽略非文本事件,捕获文本事件,直到达到300个字符,然后停止分析。

libxml支持基于事件的HTML解析。我肯定有一个是降价的,但还没看。

不过,您应该衡量一下,以确保性能优势值得增加复杂性。