파이썬으로 HTML을 Markdown으로 변환하는 방법: 포괄적인 가이드

pip install html2text

import html2text

# 컨버터 인스턴스 생성
h = html2text.HTML2Text()

# 옵션 설정
h.ignore_links = False
h.ignore_images = False
h.ignore_emphasis = False
h.body_width = 0  # 줄 바꿈 없음

html_content = """
<h1>웹 크롤링에 오신 것을 환영합니다</h1>
<p>이것은 <strong>포괄적인 가이드</strong>입니다.</p>
<ul>
    <li>사용이 간단함</li>
    <li>검증된 기술</li>
    <li>광범위하게 채택됨</li>
</ul>
<a href="https://example.com">더 알아보기</a>
"""

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

# 웹 크롤링에 오신 것을 환영합니다

이것은 **포괄적인 가이드**입니다.

  * 사용이 간단함
  * 검증된 기술
  * 광범위하게 채택됨

[더 알아보기](https://example.com)

import html2text

h = html2text.HTML2Text()

# 특정 요소 건너뛰기
h.ignore_links = True
h.ignore_images = True

# 포맷팅 제어
h.body_width = 80  # 80자에서 줄 바꿈
h.unicode_snob = True  # 유니코드 문자 사용
h.emphasis_mark = '*'  # 강조에 * 사용
h.strong_mark = '**'

# 테이블 처리
h.ignore_tables = False

# 미리 정의된 텍스트 보호
h.protect_links = True

pip install markdownify

from markdownify import markdownify as md

html = """
<article>
    <h2>현대 웹 개발</h2>
    <p>Python과 <code>모던 프레임워크</code>를 사용하여 구축합니다.</p>
    <blockquote>
        <p>단순함이 최고의 세련됨입니다.</p>
    </blockquote>
</article>
"""

markdown = md(html)
print(markdown)

## 현대 웹 개발

Python과 `모던 프레임워크`를 사용하여 구축합니다.

> 단순함이 최고의 세련됨입니다.

from markdownify import MarkdownConverter

class CustomConverter(MarkdownConverter):
    """
    특정 태그 처리를 위한 맞춤형 컨버터 생성
    """
    def convert_img(self, el, text, convert_as_inline):
        """대체 텍스트를 포함한 맞춤형 이미지 핸들러"""
        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):
        """언어 감지와 함께 강화된 코드 블록 처리"""
        code = el.find('code')
        if code:
            # 클래스 속성에서 언어 추출 (예: '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'

# 맞춤형 컨버터 사용
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

# 특정 태그 전체 제거
markdown = md(html, strip=['script', 'style', 'nav'])

# 특정 태그만 변환
markdown = md(
    html,
    heading_style="ATX",  # 헤딩에 # 사용
    bullets="-",  # 목록에 - 사용
    strong_em_symbol="*",  # 강조에 * 사용
)

pip install html-to-markdown

from html_to_markdown import convert

html = """
<article>
    <h1>기술 문서</h1>
    <table>
        <thead>
            <tr>
                <th>기능</th>
                <th>지원</th>
            </tr>
        </thead>
        <tbody>
            <tr>
                <td>HTML5</td>
                <td>✓</td>
            </tr>
            <tr>
                <td>테이블</td>
                <td>✓</td>
            </tr>
        </tbody>
    </table>
</article>
"""

markdown = convert(html)
print(markdown)

from html_to_markdown import convert, Options

# 커스텀 옵션 생성
options = Options(
    heading_style="ATX",
    bullet_style="-",
    code_language_default="python",
    strip_tags=["script", "style"],
    escape_special_chars=True,
    table_style="pipe",  # 테이블에 | 사용
    preserve_whitespace=False,
    extract_metadata=True,  # 메타 태그 추출
)

markdown = convert(html, options=options)

# 단일 파일 변환
html-to-markdown input.html -o output.md

# 옵션과 함께 변환
html-to-markdown input.html \
    --heading-style atx \
    --strip-tags script,style \
    --extract-metadata

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

pip install trafilatura

import trafilatura

# URL에서 다운로드 및 추출
url = "https://example.com/article"
downloaded = trafilatura.fetch_url(url)
markdown = trafilatura.extract(downloaded, output_format='markdown')
print(markdown)

import trafilatura
from trafilatura.settings import use_config

# 커스텀 설정 생성
config = use_config()
config.set("DEFAULT", "EXTRACTION_TIMEOUT", "30")

html = """
<html>
<head><title>기사 제목</title></head>
<body>
    <nav>네비게이션 메뉴</nav>
    <article>
        <h1>주요 기사</h1>
        <p>중요한 콘텐츠가 여기 있습니다.</p>
    </article>
    <aside>광고</aside>
    <footer>푸터 콘텐츠</footer>
</body>
</html>
"""

# 주요 콘텐츠만 추출
markdown = trafilatura.extract(
    html,
    output_format='markdown',
    include_comments=False,
    include_tables=True,
    include_images=True,
    include_links=True,
    config=config
)

# 메타데이터와 함께 추출
result = trafilatura.extract(
    html,
    output_format='markdown',
    with_metadata=True
)

if result:
    print(f"제목: {result.get('title', 'N/A')}")
    print(f"작성자: {result.get('author', 'N/A')}")
    print(f"날짜: {result.get('date', 'N/A')}")
    print(f"\n콘텐츠:\n{result.get('text', '')}")

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

def process_url(url):
    """URL에서 마크다운 추출"""
    downloaded = trafilatura.fetch_url(url)
    if downloaded:
        return trafilatura.extract(
            downloaded,
            output_format='markdown',
            include_links=True,
            include_images=True
        )
    return None

# 여러 URL 병렬 처리
urls = [
    "https://example.com/article1",
    "https://example.com/article2",
    "https://example.com/article3",
]

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

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

pip install domscribe

from domscribe import html_to_markdown

html = """
<article>
    <header>
        <h1>세미안틱 HTML 이해</h1>
        <time datetime="2024-10-24">2024년 10월 24일</time>
    </header>
    <section>
        <h2>서론</h2>
        <p>세미안틱 HTML은 <mark>의미</mark>를 제공합니다.</p>
    </section>
    <aside>
        <h3>관련 주제</h3>
        <ul>
            <li>접근성</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

# 전체 디렉토리 변환
m1f-html2md convert ./website -o ./docs

# 커스텀 설정으로 변환
m1f-html2md convert ./website -o ./docs \
    --remove-tags nav,footer \
    --heading-offset 1 \
    --detect-language

# 단일 파일 변환
m1f-html2md convert index.html -o readme.md

import asyncio
from html2md import convert_html

async def convert_files():
    """비동기 배치 변환"""
    html_files = [
        'page1.html',
        'page2.html',
        'page3.html'
    ]

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

# 변환 실행
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):
    """변환 속도 벤치마킹"""

    # 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):
    """HTML 파일을 마크다운으로 변환"""
    html = Path(html_path).read_text(encoding='utf-8')
    markdown = trafilatura.extract(
        html,
        output_format='markdown',
        include_links=False,  # 훈련 데이터에 더 깨끗한 데이터를 위해 제거
        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

# 10,000개의 파일 병렬 처리
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"처리된 파일 수: {len(html_files)}")
print(f"총 문자 수: {sum(token_counts):,}")

# 프론트메타 생성과 함께 모든 게시물 변환
m1f-html2md convert ./wordpress-export \
    -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):
    """WordPress HTML을 허구 마크다운으로 변환"""
    html = Path(html_file).read_text()

    # 제목 및 날짜 추출
    from bs4 import BeautifulSoup
    soup = BeautifulSoup(html, 'html.parser')
    title = soup.find('h1').get_text() if soup.find('h1') else '제목 없음'

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

    # 허구 프론트메타 추가
    frontmatter = {
        'title': title,
        'date': '2024-10-24',
        'draft': False,
        'tags': []
    }

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

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

# 모든 게시물 처리
for html_file in Path('./wordpress-export').glob('*.html'):
    migrate_post(html_file)

from markdownify import MarkdownConverter
import requests

class DocsConverter(MarkdownConverter):
    """기술 문서를 위한 커스텀 컨버터"""

    def convert_pre(self, el, text, convert_as_inline):
        """구문 강조와 함께 강화된 코드 블록"""
        code = el.find('code')
        if code:
            # 클래스에서 언어 추출
            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):
        """특수 문서 블록 처리"""
        classes = el.get('class', [])

        # 경고 블록
        if 'warning' in classes:
            return f'\n> ⚠️ **경고**: {text}\n'

        # 정보 블록
        if 'info' in classes or 'note' in classes:
            return f'\n> 💡 **참고**: {text}\n'

        return text

def scrape_docs(url):
    """문서 페이지 스크레이핑 및 변환"""
    response = requests.get(url)
    markdown = DocsConverter().convert(response.text)
    return markdown

# 사용
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):
    """HTML 이메일을 마크다운으로 변환"""
    # 이메일 파싱
    with open(email_file, 'r') as f:
        msg = email.message_from_file(f)

    # HTML 부분 추출
    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

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

    # 변환
    markdown = h.handle(html_content)

    # 메타데이터 추가
    subject = msg.get('Subject', '제목 없음')
    date = msg.get('Date', '')

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

    return output

# 뉴스레터 아카이브 처리
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):
    """변환 전에 원치 않는 요소 제거"""
    soup = BeautifulSoup(html, 'html.parser')

    # 원치 않는 요소 제거
    for element in soup(['script', 'style', 'nav', 'footer', 'header', 'aside']):
        element.decompose()

    # 광고 및 추적 요소 제거
    for element in soup.find_all(class_=['ad', 'advertisement', 'tracking']):
        element.decompose()

    # 정리된 HTML 변환
    markdown = trafilatura.extract(
        str(soup),
        output_format='markdown'
    )

    return markdown

import re

def normalize_markdown(markdown):
    """Markdown 공백 정리"""
    # 여러 줄 간 공백 제거
    markdown = re.sub(r'\n{3,}', '\n\n', markdown)

    # 줄 끝 공백 제거
    markdown = '\n'.join(line.rstrip() for line in markdown.split('\n'))

    # 마지막 줄에 단일 줄바꿈 보장
    markdown = markdown.rstrip() + '\n'

    return markdown

def validate_markdown(markdown):
    """Markdown 품질 검증"""
    issues = []

    # HTML 잔여물 검사
    if '<' in markdown and '>' in markdown:
        issues.append("HTML 태그 발견됨")

    # 손상된 링크 검사
    if '[' in markdown and ']()' in markdown:
        issues.append("빈 링크 발견됨")

    # 과도한 코드 블록 검사
    code_block_count = markdown.count('```')
    if code_block_count % 2 != 0:
        issues.append("닫히지 않은 코드 블록 발견됨")

    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):
    """단일 HTML 파일 처리"""
    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:
            # 정규화
            markdown = normalize_markdown(markdown)

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

            # 저장
            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"{html_path} 처리 중 오류 발생: {e}")
        return False

def batch_convert(input_dir, max_workers=4):
    """디렉토리 내 모든 HTML 파일 변환"""
    html_files = list(Path(input_dir).rglob('*.html'))
    logger.info(f"{len(html_files)}개의 HTML 파일 발견됨")

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

    success_count = sum(results)
    logger.info(f"{success_count}/{len(html_files)}개의 파일 성공적으로 변환됨")

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