html2md4llm 1.1.3 → 1.2.0

package/README.md

@@ -48,6 +48,7 @@ cat ./input.html | npx html2md4llm > ./output.md
 - `options.outputFormat: 'markdown' | 'json'`：默认 `'markdown'`
 - `options.strategy: 'list' | 'article'`：可选提取策略
 - `options.removeAttributes: string[]`：按规则移除属性，如 `['aria-*', 'role']`
+- `options.unescapeHTML: 'auto' | true | false`：默认 `'auto'`。`auto` 时若输入去首尾空白后以 `<` 开头且 `>` 结尾，会先做一次全量 unescape。
 
 返回值：`string`（Markdown 文本或 JSON 字符串）
 
@@ -63,6 +64,7 @@ html2md4llm - [output.md] [options]
 - `--json`：等价于 `--format json`
 - `--markdown`：等价于 `--format markdown`
 - `-s, --strategy <list|article>`：内容提取策略
+- `-u, --unescape-html <auto|true|false>`：输入 HTML 反转义策略（默认 `auto`）
 - `-r, --remove-attrs <attrs>`：逗号分隔，如 `aria-*,role`
 - `-h, --help`：查看帮助
 - `-v, --version`：查看版本
@@ -75,6 +77,7 @@ html2md4llm - [output.md] [options]
 2. 需要结构化消费时使用 `outputFormat: 'json'`。
 3. 需要最简正文时按场景加 `strategy: 'article'` 或 `strategy: 'list'`。
 4. 需要清理无关属性时传 `removeAttributes`，例如 `['aria-*', 'role', 'data-*']`。
+5. 输入可能是转义 HTML（如 `&lt;h1&gt;Hello&lt;/h1&gt;`）时，保持默认 `unescapeHTML: 'auto'`；若要强制关闭则传 `false`。
 
 ## 开发
 

package/bin/html2md4llm.js

@@ -21,6 +21,7 @@ Options:
   --json                         Shortcut for --format json
   --markdown                     Shortcut for --format markdown
   -s, --strategy <list|article> Extraction strategy
+  -u, --unescape-html <mode>    Input unescape mode: auto|true|false (default: auto)
   -r, --remove-attrs <attrs>    Comma-separated attrs (e.g. aria-*,role)
   -h, --help                    Show help
   -v, --version                 Show version`;
@@ -34,6 +35,7 @@ function parseArgs(argv) {
     outputFile: undefined,
     outputFormat: 'markdown',
     strategy: undefined,
+    unescapeHTML: 'auto',
     removeAttributes: []
   };
 
@@ -86,6 +88,12 @@ function parseArgs(argv) {
       continue;
     }
 
+    if (arg === '-u' || arg === '--unescape-html') {
+      parsed.unescapeHTML = takeValue(arg, i);
+      i++;
+      continue;
+    }
+
     if (
       arg === '-r' ||
       arg === '--remove-attrs' ||
@@ -156,6 +164,11 @@ async function run() {
     throw new Error('Invalid --strategy value. Use "list" or "article".');
   }
 
+  const unescapeMode = String(args.unescapeHTML).toLowerCase();
+  if (unescapeMode !== 'auto' && unescapeMode !== 'true' && unescapeMode !== 'false') {
+    throw new Error('Invalid --unescape-html value. Use "auto", "true", or "false".');
+  }
+
   const hasStdin = !process.stdin.isTTY;
   let htmlInput;
 
@@ -175,6 +188,12 @@ async function run() {
     options.strategy = args.strategy;
   }
 
+  if (unescapeMode === 'auto') {
+    options.unescapeHTML = 'auto';
+  } else {
+    options.unescapeHTML = unescapeMode === 'true';
+  }
+
   if (args.removeAttributes.length > 0) {
     options.removeAttributes = args.removeAttributes;
   }

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "html2md4llm",
-  "version": "1.1.3",
+  "version": "1.2.0",
   "description": "Convert HTML to clean Markdown or JSON, optimized for LLM processing",
   "type": "module",
   "main": "src/main.js",

package/src/main.js

@@ -18,8 +18,17 @@ export function main(htmlInput, options = {}) {
     throw new Error('options.strategy must be \'list\', \'article\', or undefined');
   }
 
+  const unescapeHTML = options.unescapeHTML ?? 'auto';
+  if (unescapeHTML !== 'auto' && unescapeHTML !== true && unescapeHTML !== false) {
+    throw new Error('options.unescapeHTML must be \'auto\', true, or false');
+  }
+
+  const normalizedHtmlInput = shouldUnescapeHtml(htmlInput, unescapeHTML)
+    ? unescapeHtml(htmlInput)
+    : htmlInput;
+
   // Parse HTML to virtual DOM
-  let tree = parse(htmlInput, options.removeAttributes);
+  let tree = parse(normalizedHtmlInput, options.removeAttributes);
 
   // Apply extraction strategy
   if (strategy === 'list') {
@@ -40,6 +49,23 @@ export function main(htmlInput, options = {}) {
 export const html2md4llm = main;
 export default main;
 
+function shouldUnescapeHtml(htmlInput, mode) {
+  if (mode === true) return true;
+  if (mode === false) return false;
+
+  const trimmed = htmlInput.trim();
+  return trimmed.startsWith('<') && trimmed.endsWith('>');
+}
+
+function unescapeHtml(str) {
+  return str
+    .replace(/&lt;/g, '<')
+    .replace(/&gt;/g, '>')
+    .replace(/&quot;/g, '"')
+    .replace(/&#39;/g, "'")
+    .replace(/&amp;/g, '&');
+}
+
 function extractLargestList(node) {
   let largest = null;
   let maxCount = 0;