使用html-to-markdown实现HTML转Markdown

在Go语言中，可以使用github.com/JohannesKaufmann/html-to-markdown库来实现HTML到Markdown的转换。这个库提供了简单易用的API，能够将HTML内容转换为Markdown格式。

安装

首先需要安装该库：

go get github.com/JohannesKaufmann/html-to-markdown

基本使用

下面是一个基本的使用示例：

package main

import (
	"fmt"
	"log"

	md "github.com/JohannesKaufmann/html-to-markdown"
)

func main() {
	html := `
		<h1>标题1</h1>
		<h2>标题2</h2>
		<p>这是一个段落，包含<strong>加粗</strong>和<em>斜体</em>文本。</p>
		<ul>
			<li>列表项1</li>
			<li>列表项2</li>
		</ul>
		<a href="https://example.com">链接</a>
	`

	converter := md.NewConverter("", true, nil)
	markdown, err := converter.ConvertString(html)
	if err != nil {
		log.Fatal(err)
	}

	fmt.Println(markdown)
}

输出结果：

# 标题1

## 标题2

这是一个段落，包含**加粗**和*斜体*文本。

- 列表项1
- 列表项2

[链接](https://example.com)

高级配置

自定义转换规则

你可以自定义HTML元素的转换规则：

converter := md.NewConverter("", true, nil)

// 添加自定义规则
converter.AddRules(
	// 转换<blockquote>标签
	md.Rule{
		Filter: []string{"blockquote"},
		Replacement: func(content string, selec *goquery.Selection, opt *md.Options) *string {
			// 在每个blockquote行前添加>
			lines := strings.Split(content, "\n")
			for i := range lines {
				if lines[i] != "" {
					lines[i] = "> " + lines[i]
				}
			}
			content = strings.Join(lines, "\n")
			return &content
		},
	},
)

处理特定属性

converter := md.NewConverter("", true, nil)

// 处理img标签的title属性
converter.AddRules(
	md.Rule{
		Filter: []string{"img"},
		Replacement: func(content string, selec *goquery.Selection, opt *md.Options) *string {
			src := selec.AttrOr("src", "")
			alt := selec.AttrOr("alt", "")
			title := selec.AttrOr("title", "")
			
			var result string
			if title != "" {
				result = fmt.Sprintf("![%s](%s \"%s\")", alt, src, title)
			} else {
				result = fmt.Sprintf("![%s](%s)", alt, src)
			}
			
			return &result
		},
	},
)

忽略特定元素

converter := md.NewConverter("", true, nil)

// 忽略script和style标签
converter.AddRules(
	md.Rule{
		Filter: []string{"script", "style"},
		Replacement: func(content string, selec *goquery.Selection, opt *md.Options) *string {
			return nil // 返回nil表示忽略该元素
		},
	},
)

完整示例

下面是一个完整的示例，展示如何处理更复杂的HTML：

package main

import (
	"fmt"
	"log"
	"strings"

	md "github.com/JohannesKaufmann/html-to-markdown"
	"github.com/PuerkitoBio/goquery"
)

func main() {
	html := `
		<div class="article">
			<h1>文章标题</h1>
			<div class="author">作者: 张三</div>
			<p>这是第一段内容。</p>
			<p>这是第二段内容，包含<a href="https://example.com">链接</a>和<code>代码</code>。</p>
			<pre><code class="language-go">package main
import "fmt"
func main() {
	fmt.Println("Hello, World!")
}</code></pre>
			<table>
				<tr><th>姓名</th><th>年龄</th></tr>
				<tr><td>张三</td><td>25</td></tr>
			</table>
		</div>
	`

	converter := md.NewConverter("", true, nil)
	
	// 添加自定义规则
	converter.AddRules(
		// 处理表格
		md.Rule{
			Filter: []string{"table"},
			Replacement: func(content string, selec *goquery.Selection, opt *md.Options) *string {
				var header []string
				var rows [][]string
				
				// 处理表头
				selec.Find("tr").Each(func(i int, tr *goquery.Selection) {
					if i == 0 { // 第一行是表头
						tr.Find("th").Each(func(j int, th *goquery.Selection) {
							header = append(header, strings.TrimSpace(th.Text()))
						})
						return
					}
					
					// 处理数据行
					var row []string
					tr.Find("td").Each(func(j int, td *goquery.Selection) {
						row = append(row, strings.TrimSpace(td.Text()))
					})
					if len(row) > 0 {
						rows = append(rows, row)
					}
				})
				
				if len(header) == 0 || len(rows) == 0 {
					return nil
				}
				
				// 构建Markdown表格
				var builder strings.Builder
				
				// 表头
				builder.WriteString("| " + strings.Join(header, " | ") + " |\n")
				
				// 分隔线
				builder.WriteString("|")
				for range header {
					builder.WriteString(" --- |")
				}
				builder.WriteString("\n")
				
				// 数据行
				for _, row := range rows {
					builder.WriteString("| " + strings.Join(row, " | ") + " |\n")
				}
				
				result := builder.String()
				return &result
			},
		},
	)
	
	markdown, err := converter.ConvertString(html)
	if err != nil {
		log.Fatal(err)
	}
	
	fmt.Println(markdown)
}

注意事项

1. 该库依赖github.com/PuerkitoBio/goquery来解析HTML
2. 对于复杂的HTML结构，可能需要添加自定义规则
3. 转换结果可能不完全符合你的预期，需要根据需求调整规则
4. 某些HTML5元素可能没有默认的转换规则

这个库提供了灵活的API，你可以根据需要扩展或修改转换规则，以获得最佳的Markdown输出效果。