如何通过Python的pandoc库提取Markdown文件中的h1标题内容

你通过pandoc.read()获取到的是pandoc原生的Pandoc对象，结构为Pandoc(元数据对象, 块元素列表)，其中块元素列表里就包含了h1对应的Header类型节点，你可以参考下面两种方案实现提取：

方案1：手动遍历节点拼接纯文本 #

from pandoc.types import Header, Str, Space, SoftBreak

content = pandoc.read(post.content)
h1_title = ""

# 遍历所有块元素
for block in content[1]:
    # 匹配一级标题节点
    if isinstance(block, Header) and block[0] == 1:
        # 遍历标题内的行内元素拼接文本
        for inline_item in block[2]:
            if isinstance(inline_item, Str):
                h1_title += inline_item[0]
            elif isinstance(inline_item, (Space, SoftBreak)):
                h1_title += " "
        # 默认取第一个h1作为title，不需要后续遍历直接退出
        break

h1_title = h1_title.strip()

说明：该方案需要你根据自己文档里h1包含的行内元素类型补充匹配逻辑，比如如果有粗体、斜体元素，额外添加对应类型的判断即可。

方案2：调用pandoc转换简化实现 #

如果不想手动处理各类行内元素，可以直接把匹配到的h1节点单独转换为markdown文本，再格式化得到纯文本标题：

content = pandoc.read(post.content)
h1_title = ""

for block in content[1]:
    if isinstance(block, Header) and block[0] == 1:
        # 将h1节点单独转换为markdown格式字符串
        h1_md = pandoc.write(block, format="markdown")
        # 去除markdown一级标题的前缀# 和首尾空白
        h1_title = h1_md.lstrip("# ").strip()
        break

说明：该方案复用pandoc的转换能力，无需手动处理各类富文本行内元素，适配性更强。

如果你的文档存在多个一级标题，删除代码里的break即可收集所有h1内容。

内容的提问来源于stack exchange，提问作者Jiri B