القائمة
清理文本示例中的HTML代码。当用户提到清理HTML、去除HTML标签、HTML转文本、提取网页文本等需求时使用此skill。 即使用户没有明确说出"HTML"，只要任务涉及从HTML代码中提取纯文本，就应该使用此skill。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/cas-bigdatalab/piflow --skill clean-html-mapperيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | clean_html_mapper |
| description | 清理文本示例中的HTML代码。当用户提到清理HTML、去除HTML标签、HTML转文本、提取网页文本等需求时使用此skill。 即使用户没有明确说出"HTML"，只要任务涉及从HTML代码中提取纯文本，就应该使用此skill。 |
| name_zh | 清理文本示例中的HTML代码算子 |
| input_params | [{"name":"input_path","type":"string","required":true,"description":"输入JSON文件路径"},{"name":"output_path","type":"string","required":true,"description":"输出JSON文件路径"}] |
| output_params | [{"name":"output_path","type":"json_file","description":"清理HTML后的JSON文件"}] |
| tag | 数据转换 |
| publisher | COMMUNITY |
清理文本中的HTML代码，提取纯文本内容。
本SKILL使用依赖data_juicer，请在调用前安装好python环境并安装data_juicer，你可用同以下指令进行安装：
pip install py-data-juicer
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| input_path | string | 是 | - | 输入JSON文件路径 |
| output_path | string | 是 | - | 输出JSON文件路径 |
python scripts/run_clean_html_mapper.py --input_path <input_path> --output_path <output_path>
参照测试代码 test_clean_html_mapper.py 中的 _run_helper 函数：
# 1. 初始化算子（无参数）
op = CleanHtmlMapper()
# 2. 将数据转为Dataset，使用 op.run(dataset) 处理
dataset = Dataset.from_list(samples)
result_dataset = op.run(dataset)
<li> 和 <ol> 标签转换为 * 列表格式[
{"text": "<p>这是段落</p>"},
{"text": "<li>列表项1</li><li>列表项2</li>"}
]
[
{"text": "这是段落"},
{"text": "\n*列表项1\n*列表项2"}
]
输入：
[
{"text": "<p>这是测试</p>"},
{"text": "<div><p>Hello World</p></div>"}
]
执行：
python scripts/run_clean_html_mapper.py --input_path example_input.json --output_path output.json
输出：
[
{"text": "这是测试"},
{"text": "Hello World"}
]
<li>, <ol>）转换为 * 格式