如何獲得HTML或Markdown的前300個有效字符？

Question

我使用Python和Flask創建博客（和網站的其餘部分）。博客文章是用Markdown編寫的，並使用創造性地命名的Markdown in Python轉換爲HTML。 Markdown（用於未來編輯）和HTML（用於顯示）都存儲在數據庫中。

我希望能夠自動獲取文字的前300個字符（或500或200 - 我還沒有算出數字）在頁面上使用時，我不想顯示完整博客文章（如在頭版）。然而，問題是，這樣做的任何簡單的方式將可能會讓我與無效HTML或降價：

HTML：

<p><em>Here</em> is <strong>formatted</strong> text.</p> 

如果我得到的這個前十個字符，它將會通過格式化爲而中途退出，而且我會以某種方式關閉<strong>和<p>標記。

降價：

*Here* is **formatted** text. 

同樣地，得到了前十個字符會離開我需要關閉**大膽。

有沒有什麼辦法可以做到這一點，而無需編寫HTML或Markdown解析器？或者，我只是將HTML轉換爲純文本而變得更好？

Answer 1

如果總結只是純文本，那麼Adam的答案肯定是最好的 - 首先轉換爲純文本，然後截斷。

如果你想保持格式化，那麼這裏的另一個想法：從降價

• 轉換爲HTML。
• 使用一種解析器運行HTML，該解析器將爲您提供令牌流（例如，Perl的HTML::TokeParser::Simple，但我相信Python有一些可比的功能 - 或者你可以將任何基於事件的解析器變成其中一種）。
• 當您獲取元素標記時，將它們複製到輸出中，同時保留一堆未封閉的標記。
• 當您獲得文本標記時，將它們複製到輸出中，同時保持您輸出的文本數量的計數。
• 當您得到一個文本令牌會超出限制時，只複製足夠的字符以達到限制，爲堆棧中任何未封閉的標籤生成結束標籤並停止處理。

如果你是用任意的HTML做這件事，那麼你會有很多奇怪的事情需要擔心，但是因爲你是來自降價，它應該實際上工作得很好。任何體面的降價轉換器都應該生成格式良好的HTML，其中包含相當少量的標籤。

Answer 2

事實上，最簡單和最安全的方法是從Markdown源生成HTML，將其轉換爲純文本（請參閱html2plaintext），然後將其修剪爲300個字符。

一個更有效的方法可能是修改Markdown解析器，只輸出所有文本節點的前300個字符，但我真的不認爲這些修改是合理的性能優勢。

Answer 3

不知道它是否適用於Python，但this tutorial可能會幫助你。基本上它會在文本被修剪並自動關閉之後掃描未封閉的標籤。

Answer 4

使用均衡的解析器，忽略非文本事件，捕獲文本事件，直到達到300個字符，然後停止解析。

libxml支持基於事件的html解析。我確定有一個降價，但沒有看。

您應該測量，以確保性能優勢值得追加的複雜性。