No project description provided

Project description

html-alg-lib

主要提供html的简化和特征提取相关的功能

使用方法

简化html

该库的主要功能之一是简化html，以便使用LLM处理

通用简化html

主要简化html的结构并删除所有的属性，保留文本和图片等。配置文件见 html_alg_lib/html_simplify/assets/default_general_simplify_cfg.jsonc

from html_alg_lib.simplify import general_simplify

html_str = "YOUR HTML STRING"
# 直接输出处理后的html
simplified_html_str = general_simplify(html_str)

# fast=False时，可以输出中间结果
simplified_html_dict = general_simplify(html_str, fast=False)
# 预处理后的html
pre_normalized_html = simplified_html_dict['pre_normalized']
# 用于送到LLM的html
alg_html = simplified_html_dict['alg']

简化html用于LLM分类标注

主要简化html的结构，仅保留"class", "src", "alt" 标签，保留文本和图片等。配置文件见 html_alg_lib/html_simplify/assets/default_cls_simplify_cfg.jsonc

from html_alg_lib.simplify import process_to_cls_alg_html

html_str = "YOUR HTML STRING"
# 直接输出处理后的html
cls_alg_html_str = process_to_cls_alg_html(html_str)

# fast=False时，可以输出中间结果
cls_alg_html_dict = process_to_cls_alg_html(html_str, fast=False)
# 预处理后的html
pre_normalized_html = cls_alg_html_dict['pre_normalized']
# 用于送到LLM的html
alg_html = cls_alg_html_dict['alg']

简化html用于LLM结点标注

主要简化html的结构，仅保留"class", "src", "alt" 标签，保留文本和图片等。配置文件见 html_alg_lib/html_simplify/assets/default_label_simplify_cfg.jsonc

from html_alg_lib.simplify import process_to_label_alg_html

html_str = "YOUR HTML STRING"
label_alg_html_str = process_to_label_alg_html(html_str)

# 预处理后的html
pre_normalized_html = label_alg_html_str['pre_normalized']
# 用于送到LLM的html
alg_html = label_alg_html_str['alg']
# 结点id映射
item_id_map = label_alg_html_str['item_id_map']

为NeuScraper提取特征

主要针对label_alg_html的结构提取特征序列

from html_alg_lib.html_simplify.feature import extract_feature

# 使用process_to_label_alg_html的输出
pre_normalized_html = """
<html>
    <body>
        <div class="some-class">
            <p id="some-id">
                123<br>456
            </p>
        </div>
    </body>
</html>
"""
alg_html = """
<html>
 <body>
  <p>
   <span _item_id="0">
    123
 456
   </span>
  </p>
 </body>
</html>
"""
item_id_map = {'0': 'L4 L5 L6'}

feature_list = extract_feature(
    pre_normalized_html,
    alg_html,
    item_id_map,
    node_idx_attr = 'cc-alg-node-idxs',
    # 需要和pre_normalized_html中的idx属性一致
    alg_idx_attr = '_item_id',
    # 需要和alg_html中的idx属性一致
    text_source = 'pre'
    # pre表示从pre_normalized_html中提取文本特征
    # alg表示从alg_html中提取文本特征
)

feature = feature_list[0]
# {
#     "node_idx": "0", # 结点的idx
#     "node_text": "123\n456", # 结点下的所有文本
#     "node_tag": "cc-alg-uc-text", # node_tags[0]
#     "node_xpath": "/html/body/div/p/cc-alg-uc-text[1]", # node_xpaths[0]
#     "node_tags": [ # 表示从pre_normalized_html中提取的所有标签
#         "cc-alg-uc-text",
#         "br",
#         "cc-alg-uc-text"
#     ],
#     "node_xpaths": [ # 表示从pre_normalized_html中提取的所有xpath
#         "/html/body/div/p/cc-alg-uc-text[1]",
#         "/html/body/div/p/br",
#         "/html/body/div/p/cc-alg-uc-text[2]"
#     ],
#     "class_trace": {2: "some-class"}, # 表示第一条xpath的2号元素（div）的class为some-class
#     "id_trace": {3: "some-id"} # 表示第一条xpath的3号元素（p）的id为some-id
# }

使用算法抽取正文

使用llm api抽取 html正文

具体代码见app/extract_html.py 使用方法如下：

python app/extract_html.py --data ./benchmark_data/benchmark.jsonl --task_dir ./task_dir --model gpt-4o-mini --mode node

参数说明：

--data 输入数据文件路径 (JSONL 格式)
--task_dir 结果输出目录
--model 使用的模型名称
--mode 处理模式 (node/gt)
- node: 仅使用html本身进行抽取
- gt: 使用ground truth作为依据辅助抽取
--key 当该参数被设置时，只会处理id为该参数的条目
--only_simplify 只执行简化html的过程，不进行抽取

输出路径的结构为：

task_dir
├── task_hash_1
|   ├── node # 存储了node模式的输出
|   |   ├── addi.html # 额外信息抽取结果（目前没有使用）
|   |   ├── addi_content.txt # 额外信息抽取内容（目前没有使用）
|   |   ├── api_result.json # 调用LLM的api结果
|   |   ├── main.html # 主内容抽取结果
|   |   ├── main_content.txt # 主内容抽取内容
|   |   ├── other.html # 其他内容抽取结果
|   |   ├── other_content.txt # 其他内容抽取内容
|   |   └── rouge_result.json # rouge评估结果
│   ├── alg.html # 用于送到LLM的html
│   ├── gt_main_content.txt # 正文的ground truth
│   ├── item_id_map.json # index映射表
│   ├── normalized.html # 剪枝后的html
│   ├── post_normalized.html # 融合后的html
│   ├── pre_normalized.html # 预处理后的html
│   └── raw.html # 原始html
├── task_hash_2
├── task_hash_3
├── ...

使用magic html抽取 html正文

具体代码见app/extract_html_magic_html.py 使用方法如下：

python app/extract_html_magic_html.py --data ./benchmark_data/benchmark.jsonl --task_dir ./task_dir

参数说明：

--data 输入数据文件路径 (JSONL 格式)
--task_dir 结果输出目录
--key 当该参数被设置时，只会处理id为该参数的条目
--workers 并行工作进程数 (默认: CPU核心数)

输出路径的结构为：

task_dir
├── task_hash_1 #　gt_main_content.txt  main_content.html  main_content.txt  raw.html  rouge_result.json
|   ├── gt_main_content.txt # 正文的ground truth
|   ├── main_content.html # 主内容抽取结果
|   ├── main_content.txt # 主内容抽取内容
|   ├── raw.html # 原始html
|   └── rouge_result.json # rouge评估结果
├── task_hash_2
├── task_hash_3
├── ...

配置驱动的pipline

为了方便二次开发，目前需要在html_alg_lib/html_simplify/processes中实现BaseProcess的派生类，并实现apply方法，如果有参数需要配置，可以实现setup方法。

from html_alg_lib.html_simplify.processor import BaseProcess

class MyProcess(BaseProcess):
    def setup(self, param1: str, param2: str):
        self.param1 = param1
        self.param2 = param2
        # self.config 是由pipeline读取，在BaseProcess的init中传给process的
        self.global_param = self.config["some_cfg"]["some_param"]

    def apply(self, input_data: DataPack) -> DataPack:
        # 当前的 html tree
        root = input_data.root
        # 从pipeline传递来的info，是之前所有process的info的累积
        info = input_data.info
        some_info_from_previous_process = info["pre_info"]["some_info"]
        modify_num = 0
        for node in root.iter():
            if node.tag == self.param1:
                node.set('class', self.param2)
                modify_num += 1


        return DataPack(
            root=root, # 这个会直接传递到下一个process
            info={"modify_num": modify_num}, # 这个会update到pipeline的info中
        )

定义好process后，需要注册到html_alg_lib/html_simplify/processes/__init__.py中。使用的时候在自定义的cfg文件中配置process的名称和参数。比如有pipeline_cfg.jsonc文件，内容如下：

{
    "some_cfg": {
        "some_param": "some_value"
    },
    "processes": [
        {"name": "MyProcess", "args": {"param1": "p", "param2": "some-class"}, "record_name": "my_process"}
    ]
}

其中name是process的名称，args是process的参数，record_name如果被设置了，那么pipeline会把这个process的输出结果以html str的形式保存到record[record_name]中，具体见下文。

设置好配置文件后就可以通过配置文件构造pipeline并运行了。

import commentjson as json
from html_alg_lib.html_simplify.pipeline import Pipeline
cfg_file = "pipeline_cfg.jsonc"
# 可以直接传入文件路径
pipeline = Pipeline.from_cfg(cfg_file)

# 也可以传入dict
cfg_dict = json.load(open(cfg_file))
cfg_dict["overwrite_cfg"] = {"some_param": "some_value"}
pipeline = Pipeline.from_cfg(cfg_dict)

# 运行pipeline
info, record = pipeline.apply_to_html(html_str)
# info 是pipeline累计的info
assert isinstance(info, dict) and "modify_num" in info
# record 是cfg中指定要保留的process的输出
assert isinstance(record, dict) and "my_process" in record

具体pipeline的使用方法可以参考html_alg_lib/simplify.py。

Project details

Release history Release notifications | RSS feed

This version

2.0.2

Apr 29, 2025

2.0.1

Apr 29, 2025

Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distribution

html_alg_lib-2.0.2.tar.gz (28.1 kB view details)

Uploaded Apr 29, 2025 Source

Built Distribution

If you're not sure about the file name format, learn more about wheel file names.

The dropdown lists show the available interpreters, ABIs, and platforms. Enable javascript to be able to filter the list of wheel files.

html_alg_lib-2.0.2-py3-none-any.whl (33.3 kB view details)

Uploaded Apr 29, 2025 Python 3

File details

Details for the file html_alg_lib-2.0.2.tar.gz.

File metadata

Download URL: html_alg_lib-2.0.2.tar.gz
Upload date: Apr 29, 2025
Size: 28.1 kB
Tags: Source
Uploaded using Trusted Publishing? No
Uploaded via: twine/6.1.0 CPython/3.10.16

File hashes

Hashes for html_alg_lib-2.0.2.tar.gz
Algorithm	Hash digest
SHA256	`35a90c2de2bb983e441caa7fef41d0e9144015341fe8eb58f119376e44042634`
MD5	`12a69bf77e732654da74f1f68d42d25b`
BLAKE2b-256	`b92ce8740a1ed76efdcfb41b0106560eeca429d0ec9ea55b8360b631090f86b9`

See more details on using hashes here.

File details

Details for the file html_alg_lib-2.0.2-py3-none-any.whl.

File metadata

Download URL: html_alg_lib-2.0.2-py3-none-any.whl
Upload date: Apr 29, 2025
Size: 33.3 kB
Tags: Python 3
Uploaded using Trusted Publishing? No
Uploaded via: twine/6.1.0 CPython/3.10.16

File hashes

Hashes for html_alg_lib-2.0.2-py3-none-any.whl
Algorithm	Hash digest
SHA256	`0c0fbbb9262306dac662af5253087a9f3d06ba84f3a03e74a68a30e20e05dab9`
MD5	`a028d81b627d7490178a4f15c7e437c7`
BLAKE2b-256	`b77bcb8fb3e6a5d5298e85ac3ad6c13521750224f5c707a8093c5c147915bd82`

See more details on using hashes here.

html-alg-lib 2.0.2

Navigation

Verified details

Maintainers

Unverified details

Meta

Project description

html-alg-lib

使用方法

简化html

通用简化html

简化html用于LLM分类标注

简化html用于LLM结点标注

为NeuScraper提取特征

使用算法抽取正文

使用llm api抽取 html正文

使用magic html抽取 html正文

配置驱动的pipline

Project details

Verified details

Maintainers

Unverified details

Meta

Release history Release notifications | RSS feed

Download files

Source Distribution

Built Distribution

File details

File metadata

File hashes

File details

File metadata

File hashes