2instalaciones

v0.1.14

llm-html

Habilidad de CMDOP — instalar y usar a través de agente de CMDOP:

Bash

cmdop-skill install llm-html

Loading code...

Limpia de HTML optimizada para LLM: extracción de hidratación, presupuestos de tokens, múltiples formatos de salida.

Instalación

Bash

pip install llm-html

Loading code...

Inicio rápido

Python

from llm_html import HTMLCleaner, CleanerConfig, OutputFormat

 # Limpieza básica
 cleaner = HTMLCleaner()
 result = cleaner.clean(html)
 print(f'Reducción: {result.stats.reducción_percent}%')

 # Primero, hidratación (extrae datos de SSR de Next.js, Nuxt, etc.)
 if result.hidratación_data:
     data = result.hidratación_data
 else:
     cleaned = result.html

Loading code...

Funciones de conveniencia

Python

from llm_html import clean, clean_to_json, clean_html, clean_for_llm

 # Limpieza rápida
 result = clean(html)

 # Obten JSON si hay datos de SSR disponibles, de lo contrario, HTML limpio
 data = clean_to_json(html)

 # Pipeline con control completo
 result = clean_html(html, max_tokens=5000)
 result = clean_for_llm(html, output_format="markdown")

Loading code...

Formatos de salida

Python

from llm_html import to_markdown, to_aom_yaml, to_xtree

 md = to_markdown(html)
 aom = to_aom_yaml(html)
 xtree = to_xtree(html)

Loading code...

Downsampling

Alcance de presupuestos de tokens con el algoritmo D2Snap:

Python

from llm_html import downsample_html, estimate_tokens

 tokens = estimate_tokens(html)
 if tokens > 10000:
     html = downsample_html(html, target_tokens=8000)

Loading code...

Chunking semántico

Divide páginas grandes en trozos de LLM:

Python

from llm_html import SemanticChunker, ChunkConfig

 config = ChunkConfig(max_tokens=8000, max_items=20)
 chunker = SemanticChunker(config)
 result = chunker.chunk(soup)
 for chunk in result.chunks:
     procesar(chunk.html)

Loading code...

Shadow DOM

Flata Web Components para visibilidad de LLM:

Python

from llm_html import flatten_shadow_dom

 flat = flatten_shadow_dom(html)

Loading code...

Ayudas

Python

from llm_html import html_to_text, extract_links, extract_images, json_to_toon

 text = html_to_text(html)
 links = extract_links(html, base_url="https://example.com")
 images = extract_images(html)
 toon = json_to_toon({"key": "value"})

Loading code...

Licencia

MIT

Bash

cmdop-skill install llm-html

Bash

pip install llm-html

Python

from llm_html import HTMLCleaner, CleanerConfig, OutputFormat

 # Limpieza básica
 cleaner = HTMLCleaner()
 result = cleaner.clean(html)
 print(f'Reducción: {result.stats.reducción_percent}%')

 # Primero, hidratación (extrae datos de SSR de Next.js, Nuxt, etc.)
 if result.hidratación_data:
     data = result.hidratación_data
 else:
     cleaned = result.html

Python

from llm_html import clean, clean_to_json, clean_html, clean_for_llm

 # Limpieza rápida
 result = clean(html)

 # Obten JSON si hay datos de SSR disponibles, de lo contrario, HTML limpio
 data = clean_to_json(html)

 # Pipeline con control completo
 result = clean_html(html, max_tokens=5000)
 result = clean_for_llm(html, output_format="markdown")

Python

from llm_html import to_markdown, to_aom_yaml, to_xtree

 md = to_markdown(html)
 aom = to_aom_yaml(html)
 xtree = to_xtree(html)

Python

from llm_html import downsample_html, estimate_tokens

 tokens = estimate_tokens(html)
 if tokens > 10000:
     html = downsample_html(html, target_tokens=8000)

Python

from llm_html import SemanticChunker, ChunkConfig

 config = ChunkConfig(max_tokens=8000, max_items=20)
 chunker = SemanticChunker(config)
 result = chunker.chunk(soup)
 for chunk in result.chunks:
     procesar(chunk.html)

Python

from llm_html import flatten_shadow_dom

 flat = flatten_shadow_dom(html)

Python

from llm_html import html_to_text, extract_links, extract_images, json_to_toon

 text = html_to_text(html)
 links = extract_links(html, base_url="https://example.com")
 images = extract_images(html)
 toon = json_to_toon({"key": "value"})

llm-html

llm-html

Instalación

Inicio rápido

Funciones de conveniencia

Formatos de salida

Downsampling

Chunking semántico

Shadow DOM

Ayudas

Licencia

Reseñas