cas-bigdatalab 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
<li>和<ol>标签转换为*列表格式- 使用 selectolax 解析器提取纯文本
- 移除所有HTML标签
- 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