pagesmith
Разбиение HTML на страницы с сохранением HTML-тегов и соблюдением исходной структуры документа и целостности текста.
Используется чрезвычайно быстрый парсер lxml.
Как это работает
Класс HtmlPageSplitter интеллектуально разбивает HTML-содержимое на страницы соответствующего размера, обеспечивая при этом правильное закрытие и валидность всех HTML-тегов. Это сохраняет как структуру документа, так и его стиль.
Для очистки HTML можно использовать refine_html.
Также содержит класс для разделение на страницы и извлечение оглавления из чистого текста.
Как это работает
Класс ChapterDetector анализирует текст для поиска стандартных форматов заголовков глав. Он автоматически определяет позицию каждой главы и извлекает заголовок.
Установка
pip install pagesmith