未知格式文件文本提取咨询：识别格式及纯文本转换方案

一、格式识别 #

这是经过HTML转义的JSON格式：

• 其中的"是HTML对双引号的转义字符，全局替换为"后即可得到标准JSON结构
• 该JSON属于富文本内容的结构化存储，常见于CMS（内容管理系统）或富文本编辑器（如Slate、ProseMirror）的输出，每个节点包含三个核心字段：
  • type：节点类型（如段落paragraph、链接link）
  • attributes：样式属性（如对齐方式align-left）
  • content：节点内容（可能是纯文本或嵌套子节点）

二、纯文本转换方案与工具 #

1. 批量自动化转换 #

用脚本可以高效完成批量文件的文本提取，以Python为例：

import json

def extract_plain_text(node):
    # 递归遍历节点，提取所有纯文本内容
    if isinstance(node, list):
        return ''.join(extract_plain_text(item) for item in node)
    elif isinstance(node, dict):
        # 链接节点直接提取链接显示文本
        if node.get('type') == 'link':
            return extract_plain_text(node['content'])
        return extract_plain_text(node.get('content', []))
    else:
        # 纯文本节点直接返回内容
        return node

# 处理原始转义内容示例
raw_data = '''{"content":[{"type":"paragraph","attributes":{"class":"align-left"},"content":["У Посольстві України в Республіці Польща 8 листопада було підписано Угоду між урядом України та урядом Монголії про взаємне скасування віз."]},{"type":"paragraph","attributes":{"class":"align-left"},"content":["“Ми підписали угоду, яка дозволяє громадянам України подорожувати без віз до Монголії. Це означає, що громадяни України можуть в’їжджати до Монголії без віз на 90 днів упродовж 180 днів” - ",{"type":"link","attributes":{"href":"https://www.facebook.com/UkraineMFA/posts/2498886686831903","target":"_blank","rel":null},"content":["повідомляє сторінка МЗС у Facebook"]}," із посиланям на посла України у Польщі Андрія Дещицю."]},{"type":"paragraph","attributes":{"class":"align-left"},"content":["Як підкреслив Дещиця, підписана угода важлива ще й тому, що до сьогоднішнього дня між Україною і Монголією діяла угода 1979 року, яка була підписана свого часу між СРСР і Монгольською Народною Республікою, а потім була підтверджена українським урядом."]}]}'''
# 还原转义的双引号
json_content = raw_data.replace('"', '"')
# 解析JSON并提取纯文本
parsed_data = json.loads(json_content)
plain_text = extract_plain_text(parsed_data['content'])
print(plain_text)

2. 手动快速转换 #

• 用文本编辑器全局替换"为"，得到标准JSON
• 借助JSON格式化工具整理结构后，手动提取各content字段的纯文本内容

3. 相关参考文档 #

这类结构化富文本格式的设计逻辑参考自主流富文本编辑器的Schema规范：

• Slate编辑器：采用节点化的富文本存储结构，与该格式高度匹配
• ProseMirror编辑器：同样以「节点+属性」的方式存储富文本内容

内容的提问来源于stack exchange，提问作者Sir Cornflakes