Question

我正在使用Python和Flask创建一个博客（以及网站的其余部分）。博客帖子使用Markdown编写，并使用创造性名称Markdown in Python转换为HTML。 Markdown（用于将来编辑）和HTML（用于显示）都存储在数据库中。

我希望能够自动获取文字的前300个字符（或500或200 - 我还没有算出数字）在我不想要的时候在页面上使用显示完整的博客文章（如首页）。但问题是，任何简单的方法都可能可能使我无法使用HTML或Markdown ：

HTML：

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

如果我得到了前10个字符，它会让我离开格式化，我会以某种方式关闭<strong>和<p>标记。< / p>

降价：

*Here* is **formatted** text.

同样，获取前十个字符将使我需要关闭**以获取粗体。

有什么方法可以做到这一点而无需编写HTML或Markdown解析器？或者，我最好将HTML转换为纯文本吗？

Answer 1

事实上，最简单，最安全的方法是从Markdown源生成HTML，将其转换为纯文本（请参阅html2plaintext），然后将其修剪为300个字符。

更有效的方法可能是修改Markdown解析器以仅输出所有文本节点的前300个字符，但我真的不认为这些修改证明了性能优势。

Answer 2

如果你的摘要只是纯文本，那么Adam的回答肯定是最好的 - 首先转换为纯文本，然后截断。

如果你想保持格式化，那么这是另一个想法：

从Markdown转换为HTML。
使用一种解析器运行HTML，该解析器将为您提供令牌流（例如Perl的HTML::TokeParser::Simple，但我确信有类似于Python的东西 - 或者您可以转换任何基于事件的解析器进入其中一个）。
当你获得元素标记时，将它们复制到输出中，同时保留一堆未封闭的标记。
当您获得文本标记时，将它们复制到输出中，同时保持您输出的文本数量。
当你找到一个超出限制的文本标记时，只复制足够的字符以达到限制，为堆栈上任何未关闭的标记生成结束标记，然后停止处理。

如果您使用任意HTML进行此操作，那么您可能需要担心许多奇怪的事情，但是因为您来自降价，它实际上应该可以正常工作。任何体面的降价转换器都应该生成结构良好的HTML，其中包含相当少量的标签。

Answer 3

不知道它是否适用于Python，但this tutorial可能会对您有所帮助。基本上它会在修剪文本并自动关闭它后扫描未关闭的标记。

Answer 4

使用偶数解析器，忽略非文本事件，捕获文本事件，直到达到300个字符，然后停止解析。

libxml支持基于事件的html解析。我确定有一个用于降价，但还没看过。

您应该进行衡量，以确保性能优势值得增加复杂性。