clean-html-mapper

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

Clean HTML Mapper

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

核心参数

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

使用方法

python scripts/run_clean_html_mapper.py --input_path <input_path> --output_path <output_path>

实现原理

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)

HTML清理规则

1. <li> 和 <ol> 标签转换为 * 列表格式
2. 使用 selectolax 解析器提取纯文本
3. 移除所有HTML标签
4. 保留文本内容和换行符

输入输出格式

输入格式 (JSON数组)

[
  {"text": "<p>这是段落</p>"},
  {"text": "<li>列表项1</li><li>列表项2</li>"}
]

输出格式 (JSON数组)

[
  {"text": "这是段落"},
  {"text": "\n*列表项1\n*列表项2"}
]

示例

示例：清理HTML

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"}
]

注意事项

• 此算子无额外参数
• 会自动处理列表标签（<li>, <ol>）转换为 * 格式
• 不符合HTML格式的标签内容也会被尝试清理