wechat-article-parser 0.0.12__tar.gz → 0.0.13__tar.gz

{wechat_article_parser-0.0.12 → wechat_article_parser-0.0.13}/.gitignore

@@ -19,9 +19,10 @@ venv/
 # pytest
 .pytest_cache/
 
-# Claude Code
+# Local agent configuration
 .claude/
 CLAUDE.md
+AGENTS.md
 
 # OS
 .DS_Store

{wechat_article_parser-0.0.12 → wechat_article_parser-0.0.13}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.5
 Name: wechat-article-parser
-Version: 0.0.12
+Version: 0.0.13
 Summary: WeChat MP article parser - extract metadata and content from WeChat public account articles
 License-Expression: MIT
 License-File: LICENSE
@@ -31,6 +31,9 @@ Description-Content-Type: text/markdown
 `8` 对应图片轮播、`10` 对应文字消息，再通过 HTML 或脚本数据区分具体模板。
 类型字段缺失、值未知或对应分支未提取到正文时，会按原有 HTML 特征匹配顺序兜底。
 
+Markdown 转换前会展开无格式作用的 `span`，合并嵌套的重复加粗、斜体和删除线标签，
+避免编辑器产生的数百层冗余行内标签导致递归超限，并保留文字、链接、图片和段落顺序。
+
 图文正文仅包含视频号视频卡片或微信视频 iframe 时，Markdown 返回“这是一篇纯视频内容。”。
 正文只有付费预览占位标签时，Markdown 返回“这是一篇付费内容，正文需付费后查看。”，
 并保留公开元数据；已有的可见预览正文仍正常提取。

{wechat_article_parser-0.0.12 → wechat_article_parser-0.0.13}/README.md

@@ -16,6 +16,9 @@
 `8` 对应图片轮播、`10` 对应文字消息，再通过 HTML 或脚本数据区分具体模板。
 类型字段缺失、值未知或对应分支未提取到正文时，会按原有 HTML 特征匹配顺序兜底。
 
+Markdown 转换前会展开无格式作用的 `span`，合并嵌套的重复加粗、斜体和删除线标签，
+避免编辑器产生的数百层冗余行内标签导致递归超限，并保留文字、链接、图片和段落顺序。
+
 图文正文仅包含视频号视频卡片或微信视频 iframe 时，Markdown 返回“这是一篇纯视频内容。”。
 正文只有付费预览占位标签时，Markdown 返回“这是一篇付费内容，正文需付费后查看。”，
 并保留公开元数据；已有的可见预览正文仍正常提取。

{wechat_article_parser-0.0.12 → wechat_article_parser-0.0.13}/pyproject.toml

@@ -4,7 +4,7 @@ build-backend = "hatchling.build"
 
 [project]
 name = "wechat-article-parser"
-version = "0.0.12"
+version = "0.0.13"
 description = "WeChat MP article parser - extract metadata and content from WeChat public account articles"
 readme = "README.md"
 requires-python = ">=3.10"

{wechat_article_parser-0.0.12 → wechat_article_parser-0.0.13}/src/wechat_article_parser/parser.py

@@ -53,8 +53,36 @@ class _MarkdownConverter(MarkdownConverter):
         return super().convert_th(el, text.replace("|", r"\|"), parent_tags)
 
 
+def _prepare_markdown_soup(html: str) -> BeautifulSoup:
+    """展开编辑器产生的冗余行内标签，避免 Markdown 转换时递归超限。"""
+    soup = BeautifulSoup(html, "html.parser")
+    styles = {
+        "strong": "bold", "b": "bold",
+        "em": "italic", "i": "italic",
+        "s": "strike", "del": "strike",
+    }
+    # 显式栈遍历，清理过程本身也不依赖 Python 的递归深度。
+    stack = [(soup, frozenset())]
+    to_unwrap = []
+    while stack:
+        node, active_styles = stack.pop()
+        style = styles.get(node.name)
+        if node.name == "span" or (style and style in active_styles):
+            to_unwrap.append(node)
+        if style:
+            active_styles = active_styles | {style}
+        stack.extend(
+            (child, active_styles) for child in node.children if isinstance(child, Tag)
+        )
+
+    # 先处理内层，保留标签中的文字、链接、图片和它们的原始顺序。
+    for node in reversed(to_unwrap):
+        node.unwrap()
+    return soup
+
+
 def _to_markdown(html: str) -> str:
-    return _MarkdownConverter().convert(html)
+    return _MarkdownConverter().convert_soup(_prepare_markdown_soup(html))
 
 
 def _to_markdown_plain(html: str) -> str:
@@ -62,7 +90,7 @@ def _to_markdown_plain(html: str) -> str:
 
     这些内容由 <br> 承载换行，使用基础转换器保留换行。
     """
-    return MarkdownConverter().convert(html)
+    return MarkdownConverter().convert_soup(_prepare_markdown_soup(html))
 
 
 # ---------------------------------------------------------------------------

{wechat_article_parser-0.0.12 → wechat_article_parser-0.0.13}/tests/test_markdown.py

@@ -1,8 +1,10 @@
 """富文本 Markdown 转换的离线回归测试。"""
 
+import sys
+
 import pytest
 
-from wechat_article_parser.parser import _parse_html
+from wechat_article_parser.parser import _parse_html, _to_markdown_plain
 
 
 def _convert(body: str) -> str:
@@ -83,3 +85,48 @@ def test_literal_asterisks_in_source_stay_literal_and_inline() -> None:
         '<sup><span>[1]</span></sup><span>**：Nous Research 的自主 AI Agent</span>'
         '</section></li></ul>'
     ) == r'* \*\*Hermes[1]\*\*：Nous Research 的自主 AI Agent'
+
+
+@pytest.mark.parametrize("convert", [_convert, _to_markdown_plain])
+def test_deep_editor_wrappers_preserve_content_and_formatting(convert) -> None:
+    recursion_limit = sys.getrecursionlimit()
+    # 模拟真实文章反复粘贴产生的 span/strong 嵌套，超过默认递归上限。
+    body = (
+        '<p>前文</p><p>' + '<span><strong>' * 600
+        + '加粗 <em>斜体</em> <a href="https://example.com">链接</a>'
+        + '<br><img src="https://example.com/image.png" alt="图片">'
+        + '</strong></span>' * 600 + '</p><p>后文</p>'
+    )
+    expected = convert(
+        '<p>前文</p><p><strong>加粗 <em>斜体</em> '
+        '<a href="https://example.com">链接</a><br>'
+        '<img src="https://example.com/image.png" alt="图片">'
+        '</strong></p><p>后文</p>'
+    )
+    assert convert(body) == expected
+    assert sys.getrecursionlimit() == recursion_limit
+
+
+def test_redundant_styles_do_not_leak_into_siblings() -> None:
+    assert _convert(
+        '<p><strong>粗<span><b>体</b></span></strong> 普通 '
+        '<em>斜<span><i>体</i></span></em> '
+        '<s>删<span><del>除</del></span></s></p>'
+        '<p><b>独立加粗</b></p>'
+    ) == '**粗体** 普通 *斜体* ~~删除~~\n\n**独立加粗**'
+
+
+def test_deep_spans_preserve_code_whitespace_and_images() -> None:
+    body = (
+        '<pre><code>' + '<span>' * 1200 + '  a &lt; b<br>    next\n\n  end'
+        + '</span>' * 1200 + '</code></pre>'
+        '<p><span><img data-src="https://example.com/image.png"></span>尾文</p>'
+    )
+    result = _parse_html(
+        'https://mp.weixin.qq.com/s/test',
+        f'<div class="rich_media_content">{body}</div>',
+    )
+    assert result.article_markdown == (
+        '```\n  a < b\n    next\n\n  end\n```\n\n![](https://example.com/image.png)尾文'
+    )
+    assert result.images == ['https://example.com/image.png']

{wechat_article_parser-0.0.12 → wechat_article_parser-0.0.13}/tests/test_parser.py

@@ -34,6 +34,8 @@ TEST_URLS = [
     "https://mp.weixin.qq.com/s/CBmoIFPJwV4BkidYGp-l1Q",
     # 纯小程序卡片正文。
     "https://mp.weixin.qq.com/s/qs2YxgdwWDplsmb6H8OS-w",
+    # 编辑器产生数百层 span/strong 嵌套的富文本正文。
+    "https://mp.weixin.qq.com/s/JfYFarShiNhiUt0cTuI4kA",
 ]