背景介绍
在前面 RAG 项目结构化文件解析方案比较 文章中对常见的 html 解析方案进行了比较，发现 html_text + python-readability 可以实现高质量的 html 内容提取。
在前一篇文章 迭代 14 年的高质量 html 提取方案 中对 python-readability 库进行了介绍，这篇文章就对剩下的 html_text 库进行介绍。
html_text 简介
html_text 是一个 html 文本提取库，可以将 html 内容转换为文本内容，但是与常规 html 解析库相比，html_text 转换出的文本更加格式化：
- 忽略内联样式、javascript、注释和其他用户通常不可见的文本；
- 空白内容标准化，在内联元素周围添加空格分隔内容；
- 在合适的位置添加换行符，与浏览器呈现的效果保持一致；
整体而言，html_text 通过补充合适的空格和换行符，将解析出的文本更加接近浏览器呈现的效果。
在之前的测试中，对于下面的文本内容：
使用 unstructed 解析出的文本元素内容为：
但是 html_text 解析出的文本内容为：
这样可以为后续的处理提供一个更准确的文本内容，避免大量碎片化的无意义文本。
实现方案
html_text 库的源码比较精简，核心的代码不到 100 行。在开始介绍实现方案前，可以先大致了解下常规的 html 结构，类似如下所示：
<html>
<body>
<p>
<div>test</div>
</p>
</body>
</html>
可以看到常规的 html 元素一般都包含开始和结束部分，比如 <p> 代表段落开始，</p> 代表段落结束，因此依次遍历 html 元素时，一般会需要依次经历 html 元素的开始和结束事件。
整体流程
html_text 的主要解析流程就是依次遍历 html 元素的开始和结束事件，之后根据元素 tag 添加必要的换行符和空格，保证与浏览器呈现效果的一致性：
for event, el in lxml.etree.iterwalk(tree, events=('start', 'end')):
# html 开始事件，在元素前添加换行符，之后添加 html 元素文本内容
if event == 'start':
add_newlines(el.tag)
add_text(el.text)
# html 结束事件，在元素后添加换行符，如果存在元素尾部文本，补充元素尾部文本
elif event == 'end':
add_newlines(el.tag)
if el is not tree:
add_text(el.tail)
可以看到，主要依赖 add_newlines() 为 html 元素前后添加换行符分隔元素内容，这样避免原始多行的元素内容被合并为单行。
add_text() 方法会在元素前添加必要的空格，从而保证内联元素的内容合理分隔。
换行符添加
换行符的添加主要根据 html 的 tag 进行判断，html_text 预先定义了不同元素对应的换行符的数量。部分元素会在内容前后添加两个换行符，比如 h1 或 p, 部分元素则会添加一个换行符，比如 dd 或 li。内联元素则不会添加换行符，比如 <span>：
def add_newlines(tag):
nonlocal prev
if prev is _DOUBLE_NEWLINE: # don't output more than 1 blank line
return
# tag 对应需要添加两个换行符
if tag in double_newline_tags:
chunks.append('\n' if prev is _NEWLINE else '\n\n')
prev = _DOUBLE_NEWLINE
# tag 对应需要添加一个换行符
elif tag in newline_tags:
if prev is not _NEWLINE:
chunks.append('\n')
prev = _NEWLINE
通过上面的设计，可以将转换的文本内容分隔为类似的 html 元素展现的形式。
空格添加
空格主要用于分隔内联元素，实际会根据当前元素与前一个内容确定是否需要补充空格，比如前一个内容是换行符，那么就不需要额外补充空格，如果前一个是内联元素的文本内容，那么就需要额外的空格进行分隔：
def add_text(text_content):
nonlocal prev
text = _normalize_whitespace(text_content) if text_content else ''
if not text:
return
# 判断是否需要补充空格
space = get_space_between(text)
chunks.extend([space, text])
prev = text_content
强化方案
当前的 html_text 已经具备从 html 中提取类似浏览器呈现效果的文本内容的能力，但是转换生成的单个格式化文本依旧无法满足现在 RAG 高质量文本提取的需求。
在 RAG 服务中，需要具备按照文本结构进行切分的能力。常规情况下期望可以按照段落切分，同时可以获取段落不同层级的标题，方便后续作为元信息进行检索。因此需要在 html_text 中具备返回段落切片与层级标题的能力。下面就简单介绍下如何在 html_text 上增强现有能力：
段落切片
段落切片的实现比较简单，可以在处理遍历 html 元素时对段落 tag 进行额外处理，当开始新的段落时，截断返回前一个段落的分片即可。
实际需要处理的 tag 主要是 h1, h2, h3, h4 等格式，当然也可以支持用户自定义切片的 tag。
层级标题获取
层级标题的方案会更复杂一些，但是依旧是可行的，在遍历 html 元素过程中使用层级标题栈维护之前遍历的各个层级的标题，动态更新标题栈保证按照从高往低的顺序即可。实现简化如下所示：
def update_current_hierarchy_titles(tag=None, text=None):
nonlocal current_hierarchy_titles
# 每次将不超过当前栈层级的标题移出，保证栈中标题的有序性
while (
current_hierarchy_titles
and compare_html_tags(current_hierarchy_titles[-1][0], tag) <= 0
):
current_hierarchy_titles.pop()
# 将当前标题入栈
current_hierarchy_titles.append((tag.strip(), text.strip()))
总结
本文是对 html_text 文本提取库的一个简单介绍，主要包含了 html_text 文本转换的实现机制以及一些适用于 RAG 的强化方案，目前此方案已经在实践中进行了验证，从实际测试效果还不错，有需要的同学可以试试。完整的强化版本的 html_text 代码可以在 Github 中查看。
