【技术实现步骤摘要】
本专利技术属于计算机，具体涉及一种html表格转换为markdown文本的方法、系统及介质。
技术介绍
1、目前的大语言模型只能识别字符文本，所以对于需要用大语言模型识别html页面中表格的场景，如ai bot数据源解析，则需要准确地获取html页面中表格的数据内容以及数据结构。但是目前直接识别html页面中表格的方法存在识别精度不够、数据内容以及数据结构丢失等问题。
技术实现思路
1、针对现有技术中的缺陷，本专利技术提供一种html表格转换为markdown文本的方法、系统及介质，识别精度高，避免了数据内容以及数据结构的丢失。
2、第一方面，一种html表格转换为markdown文本的方法，包括：
3、获取html页面中表格类型的标签，以得到表格标签序列；
4、对表格标签序列进行补全；
5、对补全后的表格标签序列进行遍历；
6、当遍历到的标签为合并单元格时，拷贝该标签的内容作为新标签的内容，将新标签插入表格标签序列中；
7、当遍历完成后，依次读取表格标签序列中所有标签的内容，构建markdown文本。
8、进一步地，对表格标签序列进行补全具体包括：
9、依次提取表格标签序列中的标签，对提取到的标签进行补全。
10、进一步地，对提取到的标签进行补全具体包括：
11、当栈为空时，将提取到的标签入栈；
12、当栈不为空，且提取到的标签与栈顶标签为一对时，栈
13、当栈不为空，且提取到的标签与栈顶标签存在层级关系时，则提取到的标签入栈；
14、当栈不为空，且提取到的标签与栈顶标签为同级关系时，创建栈顶标签的结束标签，将结束标签插入表格标签序列中，作为提取到的标签的上一个标签，栈顶标签出栈，提取到的标签入栈。
15、进一步地，对补全后的表格标签序列进行遍历具体包括：
16、对补全后的表格标签序列按行进行遍历。
17、进一步地，当遍历到的标签为合并单元格时，拷贝该标签的内容作为新标签的内容，将新标签插入表格标签序列中具体包括：
18、当遍历表格的第一行时，创建空的列表，列表包含n个元素，n为表格的列数；
19、执行合并单元格处理步骤。
20、进一步地，在遍历表格的第一行之后，还包括：
21、当遍历表格的第j行时，读取列表；
22、当列表不为空时，根据列表中不为空的元素的内容创建新标签，将新标签插入表格标签序列中表征表格的第j行第i列的位置处；
23、执行合并单元格处理步骤。
24、进一步地，合并单元格处理步骤具体包括：
25、当合并单元格的类型为行合并时，拷贝遍历到的标签的内容作为新标签的内容，将新标签插入表格标签序列中，作为遍历到的标签的下一对标签；
26、当合并单元格的类型为列合并时，获取遍历到的标签在表格中的列数i，将遍历到的标签的内容拷贝到列表中第i-1个元素中。
27、第二方面，一种html表格转换为markdown文本的系统，包括：
28、采集单元：用于获取html页面中表格类型的标签，以得到表格标签序列；
29、补全单元：用于对表格标签序列进行补全；
30、单元格合并处理单元：用于对补全后的表格标签序列进行遍历；当遍历到的标签为合并单元格时，拷贝该标签的内容作为新标签的内容，将新标签插入表格标签序列中；
31、文本创建单元：用于当遍历完成后，依次读取表格标签序列中所有标签的内容，构建markdown文本。
32、第三方面，一种html表格转换为markdown文本的系统，包括处理器、输入设备、输出设备和存储器，处理器、输入设备、输出设备和存储器相互连接，其中，存储器用于存储计算机程序，计算机程序包括程序指令，处理器被配置用于调用程序指令，执行第一方面的方法。
33、第四方面，一种计算机可读存储介质，计算机存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时使处理器执行第一方面的方法。
34、由上述技术方案可知，本专利技术提供的html表格转换为markdown文本的方法、系统及介质，针对html页面中表格存在的单元格合并、表格内标签缺失的问题，将html页面中表格转换为较为完整的、数据格式对称、数据内容不易丢失的markdown文本，提高了html页面中表格的识别精度，避免了html页面中表格传统识别方法存在的数据内容、数据结构丢失的问题。且markdown文本对于大语言模型而言更好理解，更有利于准确的回答用户提问。
本文档来自技高网...【技术保护点】
1.一种html表格转换为markdown文本的方法，其特征在于，包括：
2.根据权利要求1所述html表格转换为markdown文本的方法，其特征在于，所述对表格标签序列进行补全具体包括：
3.根据权利要求2所述html表格转换为markdown文本的方法，其特征在于，所述对提取到的标签进行补全具体包括：
4.根据权利要求1所述html表格转换为markdown文本的方法，其特征在于，所述对补全后的表格标签序列进行遍历具体包括：
5.根据权利要求4所述html表格转换为markdown文本的方法，其特征在于，所述当遍历到的标签为合并单元格时，拷贝该标签的内容作为新标签的内容，将新标签插入所述表格标签序列中具体包括：
6.根据权利要求5所述html表格转换为markdown文本的方法，其特征在于，在遍历表格的第一行之后，还包括：
7.根据权利要求5或6所述html表格转换为markdown文本的方法，其特征在于，所述合并单元格处理步骤具体包括：
8.一种html表格转换为markdown文本的系统
9.一种html表格转换为markdown文本的系统，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种html表格转换为markdown文本的方法，其特征在于，包括：
2.根据权利要求1所述html表格转换为markdown文本的方法，其特征在于，所述对表格标签序列进行补全具体包括：
3.根据权利要求2所述html表格转换为markdown文本的方法，其特征在于，所述对提取到的标签进行补全具体包括：
4.根据权利要求1所述html表格转换为markdown文本的方法，其特征在于，所述对补全后的表格标签序列进行遍历具体包括：
5.根据权利要求4所述html表格转换为markdown文本的方法，其特征在于，所述当遍历到的标签为合并单元格时，拷贝该标签的内容作为新标签的内容，将新标签插入所述表格标签序列中具体包括：
6.根据权利要求5所述html表格转换为markdown文本的方法，其特征...
【专利技术属性】
技术研发人员：叶晃棋，
申请(专利权)人：深圳市和讯华谷信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。