markdownify HTML 转 Markdown 库

要解决的具体问题

在内容提取或文档转换场景中，我们常需要处理各类HTML内容——可能是爬虫抓取的网页片段、富文本编辑器导出的文本，也可能是系统生成的结构化HTML。这些内容往往混杂着style、script、冗余class属性等非语义化标签，手动将其转换为干净的Markdown不仅耗时，还容易因遗漏规则导致格式混乱。

核心能力与工作原理

markdownify的核心目标是解决这一痛点。它的核心能力包括：标签过滤，可按需移除或保留特定HTML标签；标题样式保留，自动识别<h1>至<h6>的层级并转换为Markdown的#至######；代码语言检测，从<pre><code>标签中提取语言标识符并保留；自定义转换器，允许开发者针对特殊标签编写适配逻辑。
使用时，只需将HTML字符串传入核心转换函数，通过简单配置指定过滤规则（如排除<div>的内联样式），即可自动完成转换：先扫描HTML结构并过滤无用标签，再按语义规则重建标题层级、代码块语言标记等关键格式，最终输出结构清晰的Markdown文本。

适用边界与注意点

不过需注意其适用边界：对于深层嵌套的复杂HTML标签，可能需要额外调整配置才能保证转换准确性；若HTML片段存在动态加载未完成的情况，转换结果可能出现格式缺失；此外，它更侧重“干净转换”而非语义增强，例如不会主动修复破损的标签结构。