Convertendo HTML para Markdown com Python: Um Guia Completo

pip install html2text

import html2text

# Crie uma instância do conversor
h = html2text.HTML2Text()

# Configure as opções
h.ignore_links = False
h.ignore_images = False
h.ignore_emphasis = False
h.body_width = 0  # Não envolva linhas

html_content = """
<h1>Bem-vindo ao Web Scraping</h1>
<p>Este é um <strong>guia abrangente</strong> para extrair conteúdo.</p>
<ul>
    <li>Fácil de usar</li>
    <li>Bem testado</li>
    <li>Ampamente adotado</li>
</ul>
<a href="https://example.com">Saiba mais</a>
"""

markdown = h.handle(html_content)
print(markdown)

# Bem-vindo ao Web Scraping

Este é um **guia abrangente** para extrair conteúdo.

  * Fácil de usar
  * Bem testado
  * Amplamente adotado

[Saiba mais](https://example.com)

import html2text

h = html2text.HTML2Text()

# Ignore elementos específicos
h.ignore_links = True
h.ignore_images = True

# Controle a formatação
h.body_width = 80  # Envolver em 80 caracteres
h.unicode_snob = True  # Use caracteres unicode
h.emphasis_mark = '*'  # Use * para ênfase em vez de _
h.strong_mark = '**'

# Trate tabelas
h.ignore_tables = False

# Proteja o texto pré-formatado
h.protect_links = True

pip install markdownify

from markdownify import markdownify as md

html = """
<article>
    <h2>Desenvolvimento Web Moderno</h2>
    <p>Construindo com <code>Python</code> e <em>frameworks modernos</em>.</p>
    <blockquote>
        <p>Simplicidade é a sofisticação ultimate.</p>
    </blockquote>
</article>
"""

markdown = md(html)
print(markdown)

## Desenvolvimento Web Moderno

Construindo com `Python` e *frameworks modernos*.

> Simplicidade é a sofisticação ultimate.

from markdownify import MarkdownConverter

class CustomConverter(MarkdownConverter):
    """
    Crie um conversor personalizado com tratamento de tag específico
    """
    def convert_img(self, el, text, convert_as_inline):
        """Manipulador personalizado de imagem com texto alternativo"""
        alt = el.get('alt', '')
        src = el.get('src', '')
        title = el.get('title', '')

        if title:
            return f'![{alt}]({src} "{title}")'
        return f'![{alt}]({src})'

    def convert_pre(self, el, text, convert_as_inline):
        """Tratamento de bloco de código aprimorado com detecção de linguagem"""
        code = el.find('code')
        if code:
            # Extraia a linguagem da classe atributo (ex: 'language-python')
            classes = code.get('class', [''])
            language = classes[0].replace('language-', '') if classes else ''
            return f'\n```{language}\n{code.get_text()}\n```\n'
        return f'\n```\n{text}\n```\n'

# Use o conversor personalizado
html = '<pre><code class="language-python">def hello():\n    print("world")</code></pre>'
markdown = CustomConverter().convert(html)
print(markdown)

from markdownify import markdownify as md

# Remova completamente tags específicas
markdown = md(html, strip=['script', 'style', 'nav'])

# Converta apenas tags específicas
markdown = md(
    html,
    heading_style="ATX",  # Use # para títulos
    bullets="-",  # Use - para itens de lista
    strong_em_symbol="*",  # Use * para ênfase
)

pip install html-to-markdown

from html_to_markdown import convert

html = """
<article>
    <h1>Documentação Técnica</h1>
    <table>
        <thead>
            <tr>
                <th>Funcionalidade</th>
                <th>Suporte</th>
            </tr>
        </thead>
        <tbody>
            <tr>
                <td>HTML5</td>
                <td>✓</td>
            </tr>
            <tr>
                <td>Tabelas</td>
                <td>✓</td>
            </tr>
        </tbody>
    </table>
</article>
"""

markdown = convert(html)
print(markdown)

from html_to_markdown import convert, Options

# Crie opções personalizadas
options = Options(
    heading_style="ATX",
    bullet_style="-",
    code_language_default="python",
    strip_tags=["script", "style"],
    escape_special_chars=True,
    table_style="pipe",  # Use | para tabelas
    preserve_whitespace=False,
    extract_metadata=True,  # Extraia metadados
)

markdown = convert(html, options=options)

# Converta um único arquivo
html-to-markdown input.html -o output.md

# Converta com opções
html-to-markdown input.html \
    --heading-style atx \
    --strip-tags script,style \
    --extract-metadata

# Conversão em lote
find ./html_files -name "*.html" -exec html-to-markdown {} -o ./markdown_files/{}.md \;

pip install trafilatura

import trafilatura

# Faça o download e extraia de uma URL
url = "https://example.com/artigo"
downloaded = trafilatura.fetch_url(url)
markdown = trafilatura.extract(downloaded, output_format='markdown')
print(markdown)

import trafilatura
from trafilatura.settings import use_config

# Crie uma configuração personalizada
config = use_config()
config.set("DEFAULT", "EXTRACTION_TIMEOUT", "30")

html = """
<html>
<head><title>Título do Artigo</title></head>
<body>
    <nav>Menu de navegação</nav>
    <article>
        <h1>Artigo Principal</h1>
        <p>Conteúdo importante aqui.</p>
    </article>
    <aside>Publicidade</aside>
    <footer>Conteúdo do rodapé</footer>
</body>
</html>
"""

# Extraia apenas o conteúdo principal
markdown = trafilatura.extract(
    html,
    output_format='markdown',
    include_comments=False,
    include_tables=True,
    include_images=True,
    include_links=True,
    config=config
)

# Extraia com metadados
result = trafilatura.extract(
    html,
    output_format='markdown',
    with_metadata=True
)

if result:
    print(f"Título: {result.get('title', 'N/A')}")
    print(f"Autor: {result.get('author', 'N/A')}")
    print(f>Data: {result.get('date', 'N/A')}")
    print(f"\nConteúdo:\n{result.get('text', '')}")

import trafilatura
from concurrent.futures import ThreadPoolExecutor
from pathlib import Path

def process_url(url):
    """Extraia markdown de uma URL"""
    downloaded = trafilatura.fetch_url(url)
    if downloaded:
        return trafilatura.extract(
            downloaded,
            output_format='markdown',
            include_links=True,
            include_images=True
        )
    return None

# Processar múltiplas URLs em paralelo
urls = [
    "https://example.com/artigo1",
    "https://example条目2",
    "https://example.com/artigo3",
]

with ThreadPoolExecutor(max_workers=5) as executor:
    results = list(executor.map(process_url, urls))

for i, markdown in enumerate(results):
    if markdown:
        Path(f"artigo_{i}.md").write_text(markdown, encoding='utf-8')

pip install domscribe

from domscribe import html_to_markdown

html = """
<article>
    <header>
        <h1>Entendendo HTML Semântico</h1>
        <time datetime="2024-10-24">24 de outubro de 2024</time>
    </header>
    <section>
        <h2>Introdução</h2>
        <p>O HTML semântico fornece <mark>significado</mark> ao conteúdo.</p>
    </section>
    <aside>
        <h3>Tópicos Relacionados</h3>
        <ul>
            <li>Acessibilidade</li>
            <li>SEO</li>
        </ul>
    </aside>
</article>
"""

markdown = html_to_markdown(html)
print(markdown)

from domscribe import html_to_markdown, MarkdownOptions

options = MarkdownOptions(
    preserve_semantic_structure=True,
    include_aria_labels=True,
    strip_empty_elements=True
)

markdown = html_to_markdown(html, options=options)

pip install html2md

# Converta todo um diretório
m1f-html2md convert ./website -o ./docs

# Com configurações personalizadas
m1f-html2md convert ./website -o ./docs \
    --remove-tags nav,footer \
    --heading-offset 1 \
    --detect-language

# Converta um único arquivo
m1f-html2md convert index.html -o readme.md

import asyncio
from html2md import convert_html

async def convert_files():
    """Conversão de arquivos em lote assíncrona"""
    html_files = [
        'page1.html',
        'page2.html',
        'page3.html'
    ]

    tasks = [convert_html(file) for file in html_files]
    results = await asyncio.gather(*tasks)
    return results

# Execute a conversão
results = asyncio.run(convert_files())

import time
import html2text
from markdownify import markdownify
from html_to_markdown import convert
import trafilatura

def benchmark(html_content, iterations=100):
    """Benchmark de velocidade de conversão"""

    # html2text
    start = time.time()
    h = html2text.HTML2Text()
    for _ in range(iterations):
        _ = h.handle(html_content)
    html2text_time = time.time() - start

    # markdownify
    start = time.time()
    for _ in range(iterations):
        _ = markdownify(html_content)
    markdownify_time = time.time() - start

    # html-to-markdown
    start = time.time()
    for _ in range(iterations):
        _ = convert(html_content)
    html_to_markdown_time = time.time() - start

    # trafilatura
    start = time.time()
    for _ in range(iterations):
        _ = trafilatura.extract(html_content, output_format='markdown')
    trafilatura_time = time.time() - start

    return {
        'html2text': html2text_time,
        'markdownify': markdownify_time,
        'html-to-markdown': html_to_markdown_time,
        'trafilatura': trafilatura_time
    }

import trafilatura
from pathlib import Path
from concurrent.futures import ProcessPoolExecutor

def process_html_file(html_path):
    """Converta um arquivo HTML para markdown"""
    html = Path(html_path).read_text(encoding='utf-8')
    markdown = trafilatura.extract(
        html,
        output_format='markdown',
        include_links=False,  # Remova para dados de treinamento mais limpos
        include_images=False,
        include_comments=False
    )

    if markdown:
        output_path = html_path.replace('.html', '.md')
        Path(output_path).write_text(markdown, encoding='utf-8')
        return len(markdown)
    return 0

# Processar 10.000 arquivos em paralelo
html_files = list(Path('./docs').rglob('*.html'))

with ProcessPoolExecutor(max_workers=8) as executor:
    token_counts = list(executor.map(process_html_file, html_files))

print(f"Processado {len(html_files)} arquivos")
print(f"Total de caracteres: {sum(token_counts):,}")

# Converta todos os posts com frontmatter
m1f-html2md convert ./exportacao-wordpress \
    -o ./hugo/content/posts \
    --generate-frontmatter \
    --heading-offset 0 \
    --remove-tags script,style,nav,footer

from html_to_markdown import convert, Options
from pathlib import Path
import yaml

def migrate_post(html_file):
    """Converta HTML do WordPress para Markdown do Hugo"""
    html = Path(html_file).read_text()

    # Extraia título e data do HTML
    from bs4 import BeautifulSoup
    soup = BeautifulSoup(html, 'html.parser')
    title = soup.find('h1').get_text() if soup.find('h1') else 'Sem Título'

    # Converta para markdown
    options = Options(strip_tags=['script', 'style', 'nav', 'footer'])
    markdown = convert(html, options=options)

    # Adicione frontmatter do Hugo
    frontmatter = {
        'title': title,
        'date': '2024-10-24',
        'draft': False,
        'tags': []
    }

    output = f"---\n{yaml.dump(frontmatter)}---\n\n{markdown}"

    # Salve
    output_file = html_file.replace('.html', '.md')
    Path(output_file).write_text(output, encoding='utf-8')

# Processar todos os posts
for html_file in Path('./exportacao-wordpress').glob('*.html'):
    migrate_post(html_file)

from markdownify import MarkdownConverter
import requests

class DocsConverter(MarkdownConverter):
    """Conversor personalizado para documentação técnica"""

    def convert_pre(self, el, text, convert_as_inline):
        """Bloco de código aprimorado com destaque de sintaxe"""
        code = el.find('code')
        if code:
            # Extraia a linguagem da classe
            classes = code.get('class', [])
            language = next(
                (c.replace('language-', '') for c in classes if c.startswith('language-')),
                'text'
            )
            return f'\n```{language}\n{code.get_text()}\n```\n'
        return super().convert_pre(el, text, convert_as_inline)

    def convert_div(self, el, text, convert_as_inline):
        """Trate blocos especiais de documentação"""
        classes = el.get('class', [])

        # Blocos de aviso
        if 'aviso' in classes:
            return f'\n> ⚠️ **Aviso**: {text}\n'

        # Blocos de informação
        if 'info' in classes or 'nota' in classes:
            return f'\n> 💡 **Nota**: {text}\n'

        return text

def scrape_docs(url):
    """Raspe e converta página de documentação"""
    response = requests.get(url)
    markdown = DocsConverter().convert(response.text)
    return markdown

# Use
docs_url = "https://docs.example.com/api-reference"
markdown = scrape_docs(docs_url)
Path('api-reference.md').write_text(markdown)

import html2text
import email
from pathlib import Path

def convert_newsletter(email_file):
    """Converta newsletter HTML para markdown"""
    # Parse email
    with open(email_file, 'r') as f:
        msg = email.message_from_file(f)

    # Obtenha parte HTML
    html_content = None
    for part in msg.walk():
        if part.get_content_type() == 'text/html':
            html_content = part.get_payload(decode=True).decode('utf-8')
            break

    if not html_content:
        return None

    # Configure conversor
    h = html2text.HTML2Text()
    h.ignore_images = False
    h.images_to_alt = True
    h.body_width = 0
    h.protect_links = True
    h.unicode_snob = True

    # Converta
    markdown = h.handle(html_content)

    # Adicione metadados
    subject = msg.get('Subject', 'Sem Assunto')
    date = msg.get('Date', '')

    output = f"# {subject}\n\n*Data: {date}*\n\n---\n\n{markdown}"

    return output

# Processar arquivo de newsletter
for email_file in Path('./newsletters').glob('*.eml'):
    markdown = convert_newsletter(email_file)
    if markdown:
        output_file = email_file.with_suffix('.md')
        output_file.write_text(markdown, encoding='utf-8')

from bs4 import BeautifulSoup
import trafilatura

def clean_and_convert(html):
    """Remova elementos indesejados antes da conversão"""
    soup = BeautifulSoup(html, 'html.parser')

    # Remova elementos indesejados
    for element in soup(['script', 'style', 'nav', 'footer', 'header', 'aside']):
        element.decompose()

    # Remova anúncios e rastreamento
    for element in soup.find_all(class_=['ad', 'advertisement', 'tracking']):
        element.decompose()

    # Converta o HTML limpo
    markdown = trafilatura.extract(
        str(soup),
        output_format='markdown'
    )

    return markdown

import re

def normalize_markdown(markdown):
    """Limpe o espaçamento do markdown"""
    # Remova várias linhas em branco
    markdown = re.sub(r'\n{3,}', '\n\n', markdown)

    # Remova espaços em branco no final
    markdown = '\n'.join(line.rstrip() for line in markdown.split('\n'))

    # Garanta uma única quebra de linha no final
    markdown = markdown.rstrip() + '\n'

    return markdown

def validate_markdown(markdown):
    """Valide a qualidade do markdown"""
    issues = []

    # Verifique remanescentes de HTML
    if '<' in markdown and '>' in markdown:
        issues.append("Tags HTML detectadas")

    # Verifique links quebrados
    if '[' in markdown and ']()' in markdown:
        issues.append("Link vazio detectado")

    # Verifique blocos de código excessivos
    code_block_count = markdown.count('```')
    if code_block_count % 2 != 0:
        issues.append("Bloco de código não fechado")

    return len(issues) == 0, issues

from pathlib import Path
from concurrent.futures import ProcessPoolExecutor
import trafilatura
import logging

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

def process_file(html_path):
    """Processa um único arquivo HTML"""
    try:
        html = Path(html_path).read_text(encoding='utf-8')
        markdown = trafilatura.extract(
            html,
            output_format='markdown',
            include_links=True,
            include_images=False
        )

        if markdown:
            # Normalize
            markdown = normalize_markdown(markdown)

            # Valide
            is_valid, issues = validate_markdown(markdown)
            if not is_valid:
                logger.warning(f"{html_path}: {', '.join(issues)}")

            # Salve
            output_path = Path(str(html_path).replace('.html', '.md'))
            output_path.write_text(markdown, encoding='utf-8')

            return True

        return False

    except Exception as e:
        logger.error(f"Erro ao processar {html_path}: {e}")
        return False

def batch_convert(input_dir, max_workers=4):
    """Converte todos os arquivos HTML em um diretório"""
    html_files = list(Path(input_dir).rglob('*.html'))
    logger.info(f"Encontrados {len(html_files)} arquivos HTML")

    with ProcessPoolExecutor(max_workers=max_workers) as executor:
        results = list(executor.map(process_file, html_files))

    success_count = sum(results)
    logger.info(f"Convertidos com sucesso {success_count}/{len(html_files)} arquivos")

# Uso
batch_convert('./html_docs', max_workers=8)