메뉴
内容解析预处理工具。读取采集后的 JSONL、JSON 或 TXT 文本记录，执行轻量内容解析，输出带标题、段落结构和内容类型的统一解析记录文件。 当用户提到接入内容解析、采集后预处理、提取标题和段落、识别 plain/markdown/html 内容结构等需求时使用此 skill。 即使用户没有明确说出"内容解析"，只要任务涉及把已采集文本内容解析成统一结构，就应该使用此 skill。 不负责文件采集、表格抽取、内容清洗、质量校验、过滤筛选或格式转换。
기본적으로 소스를 먼저 확인하는 Prompt가 선택됩니다. 직접 명령으로 전환하거나 로컬 사본을 다운로드할 수도 있습니다.
설치 여부를 결정하기 전에 SKILL.md와 SkillsMP에 표시된 보조 파일을 읽어 보세요.
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
직접 명령은 검토 Prompt를 거치지 않습니다. 실행하기 전에 소스를 확인하세요.
npx skills add https://github.com/cas-bigdatalab/piflow --skill content-parser명령은 한 줄로 유지됩니다. 복사하기 전에 가로로 스크롤해 전체 내용을 확인하세요.
로컬 사본을 원하시나요? SkillsMP에서 현재 제공할 수 있는 파일을 다운로드하세요.
SOC 직업 분류 기준
SKILL.md 표시 중
| name | content_parser |
| description | 内容解析预处理工具。读取采集后的 JSONL、JSON 或 TXT 文本记录，执行轻量内容解析，输出带标题、段落结构和内容类型的统一解析记录文件。 当用户提到接入内容解析、采集后预处理、提取标题和段落、识别 plain/markdown/html 内容结构等需求时使用此 skill。 即使用户没有明确说出"内容解析"，只要任务涉及把已采集文本内容解析成统一结构，就应该使用此 skill。 不负责文件采集、表格抽取、内容清洗、质量校验、过滤筛选或格式转换。 |
| name_zh | 接入内容解析预处理算子 |
| input_params | [{"name":"input","type":"string","required":true,"description":"输入文件路径，支持 jsonl/json/txt"},{"name":"output","type":"string","required":true,"description":"输出文件路径"},{"name":"parse_mode","type":"string","required":false,"default":"auto","description":"解析模式，支持 auto/plain/markdown/html"},{"name":"extract_title","type":"string","required":false,"default":"True","description":"是否提取标题"},{"name":"extract_paragraphs","type":"string","required":false,"default":"True","description":"是否提取段落列表"},{"name":"output_format","type":"string","required":false,"default":"jsonl","description":"输出格式，支持 jsonl/json/auto"}] |
| output_params | [{"name":"output","type":"jsonl_file","description":"解析后的结构化内容记录文件"}] |
| tag | 数据筛选 |
| publisher | COMMUNITY |
本 skill 用于读取采集后的文本记录，对 text 字段做轻量内容解析，识别 plain、markdown、html 内容类型，并输出标题、段落结构、字符数、词数等解析结果。
当用户请求以下任务时，应使用此 skill：
不适用于文件采集、表格抽取、内容清洗、质量校验、过滤筛选或格式转换；这些任务需要使用对应的采集、清洗、校验、过滤或转换 skill。
| 参数 | 说明 |
|---|---|
--input | 输入文件路径，支持 jsonl/json/txt |
--output | 输出文件路径 |
| 参数 | 说明 | 默认值 |
|---|---|---|
--parse_mode | 解析模式，支持 auto、plain、markdown、html | auto |
--extract_title | 是否提取标题 | True |
--extract_paragraphs | 是否提取段落列表 | True |
--output_format | 输出格式，支持 jsonl、json、auto | jsonl |
输入可以是 JSONL、JSON 或 TXT 文件。JSONL/JSON 中每条记录应包含 text 字段；TXT 文件会整体作为一条文本记录处理。
{"text": "# Research Note\n\nFirst paragraph..."}
{"text": "<html><title>Report</title><p>HTML paragraph.</p></html>"}
python scripts/run_content_parser.py \
--input ./content_records.jsonl \
--output ./content_parser_output.jsonl \
--parse_mode auto \
--extract_title \
--extract_paragraphs \
--output_format jsonl
python scripts/run_content_parser.py \
--input ./note.txt \
--output ./content_parser_output.json \
--parse_mode plain \
--output_format json
| 输入内容 | 参数效果 | 预期结果 |
|---|---|---|
| Markdown 标题和段落 | --parse_mode auto | content_type=markdown，提取标题和段落 |
| HTML title 和 p 标签 | --parse_mode auto | content_type=html，提取标题和段落 |
| 普通文本 | --parse_mode auto | content_type=plain，首个非空行作为标题 |
空 text 字段 | 任意模式 | 输出 _parsed.error，不崩溃 |
{"_parsed": {"raw_text": "# Research Note...", "content_type": "markdown", "title": "Research Note", "paragraphs": ["Research Note", "First paragraph..."], "paragraph_count": 2, "char_count": 42, "word_count": 5, "parsed_at": "2026-06-12 14:00:00"}, "text": "# Research Note..."}
使用仓库内 Python 环境运行；Windows bash 下建议加 PYTHONIOENCODING=utf-8 避免中文控制台编码问题。HTML 解析优先使用 beautifulsoup4，缺少依赖时脚本会退回正则清理。
parse_mode=auto 会根据内容特征识别 plain、markdown 或 html。text 或 text 为空时，输出 _parsed.error。