Communitygithub.com

baronguyen001/ai-automation-skills

Convierte HTML a texto plano limpio usando solo la biblioteca estándar (sin BeautifulSoup/lxml): elimina script/style, convierte etiquetas de bloque en saltos de línea y colapsa espacios en blanco. Úsalo cuando el usuario quiera texto legible de una página HTML o correo, para limpiar HTML scrapeado antes de enviarlo a un LLM o para construir un índice de texto a partir de contenido web.

¿Qué es ai-automation-skills?

Esta habilidad transforma HTML en texto plano legible utilizando únicamente la biblioteca estándar de Python, sin dependencias externas como BeautifulSoup o lxml. Emplea una subclase de HTMLParser que elimina bloques <script>, <style> y <head>, convierte etiquetas de bloque en saltos de línea y normaliza los espacios en blanco, produciendo un texto limpio y compacto. Es ideal para preparar contenido web o correos electrónicos antes de enviarlos a un modelo de lenguaje (reduciendo tokens) o para indexar texto en motores de búsqueda. Funciona en cualquier plataforma que soporte Python y es fácil de integrar gracias a su interfaz pura de string a string. Su documentación incluye un ejemplo concreto de uso y referencias a herramientas complementarias como el lector de RSS y el orquestador de pipelines.

Compatible con~Claude Code~Codex CLI~Cursor✓Gemini CLI
npx skills add https://github.com/baronguyen001/ai-automation-skills/tree/HEAD/skills/html-to-text

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

HTML a Texto

Usa esta habilidad cuando tengas HTML – una página scrapeada, el cuerpo de un boletín, el contenido de una entrada de feed – y quieras texto plano limpio y legible sin agregar beautifulsoup4 ni lxml. Una subclase pequeña de HTMLParser elimina <script>/<style>, convierte elementos de bloque en nuevas líneas y colapsa espacios en blanco, que es exactamente la forma que necesitas antes de enviar el contenido a un LLM (menos tokens) o a un índice de búsqueda.

Cuándo invocarlo

  • El usuario dice: "saca el texto de este HTML", "limpia esta página scrapeada", "elimina etiquetas antes de resumir", "convierte este HTML de correo a texto".
  • El HTML está a punto de ser alimentado a un modelo o a un resumen y el marcado es solo ruido.

Cuándo NO invocarlo

  • Necesitas mantener la estructura (tablas, enlaces como Markdown) – usa un convertidor real de HTML a Markdown.
  • La página es renderizada por JavaScript – primero obténla con un navegador sin interfaz gráfica, luego conviértela.

Ejemplo concreto

Entrada del usuario:

Convierte este HTML de artículo en texto plano para poder resumirlo con menos tokens.

Salida:

# Copia assets/htmltext.py en tu proyecto, luego:
from htmltext import html_to_text

text = html_to_text(article_html)
summary = call_llm(f"Resume:\n{text}")

Los bloques <script> y <style> se eliminan por completo, las etiquetas de bloque se convierten en saltos de línea y las secuencias de espacios/líneas en blanco se colapsan, de modo que la salida se lee como prosa.

Patrón a aplicar

  1. Crea una subclase de html.parser.HTMLParser con convert_charrefs=True para que las entidades se decodifiquen automáticamente.
  2. Lleva un seguimiento de la profundidad de omisión para script/style/head para que su texto nunca se filtre en la salida.
  3. Emite nuevas líneas alrededor de etiquetas de bloque, luego colapsa espacios en blanco dentro de la línea y múltiples líneas en blanco.
  4. Mantenlo puro (string de entrada, string de salida) para que sea trivial de probar unitariamente.

Referencia: assets/htmltext.py.

Fuente

Destilado de los pipelines de scraping y resumen del autor. v1.0.0. Ver también: [[rss-feed-reader]], [[gemini-cost-tracker]], [[pipeline-orchestrator]].

→ Construye el bot ejecutable completo con Trawlkit.

Individual skills in this repo

This repo contains 9 individual skills — each has its own dedicated page.

baronguyen001/ai-automation-skills

Schedule any script to run on a recurring schedule on Windows (Task Scheduler) or Linux (cron) - register, list, and remove jobs from one command, with logging to a file and a guard against overlapping runs. Use for schedule a script, run nightly, set up a cron job, windows task scheduler, or run on a timer.

baronguyen001/ai-automation-skills

Turn a run's list of result dicts into a schema'd CSV and a Markdown table from one column spec - declare columns once, emit both, with stable ordering and safe escaping, stdlib only, no pandas. Use when the user asks to write results to CSV, export a report, make a markdown summary table, or save a run's output as a spreadsheet.

baronguyen001/ai-automation-skills

Persist records between scheduled runs as append-only JSON Lines (one object per line) with streaming reads and optional key-based dedup, stdlib only. Use when the user wants to log run results to JSONL, append events to a file, dedup records by id across runs, or keep a simple durable history without a database.

baronguyen001/ai-automation-skills

Extract text and simple table-like rows from a PDF for downstream AI without OCR binaries. Use when the user asks to read a PDF, turn a PDF into text, pull simple tables from statements/reports, or feed PDF content into an LLM pipeline.

baronguyen001/ai-automation-skills

Rotate a pool of HTTP/SOCKS proxies with round-robin selection, failure tracking, and a cooldown that benches dead proxies before retrying. BYO proxy list via env - none are shipped. Use for rotate proxies, spread requests across proxies, avoid IP bans, retry through a different proxy, or proxy health check.

baronguyen001/ai-automation-skills

Parse an RSS 2.0 or Atom feed into normalized item dicts (title, link, id, published, summary) with the standard library only - no feedparser. Use when the user asks to read an RSS/Atom feed, poll a blog/news feed, extract feed entries, or watch a site that publishes a feed.

baronguyen001/ai-automation-skills

Upload and download run artifacts from S3-compatible storage with BYO bucket and credentials from env. Use when the user asks to store scraper output, archive reports, publish artifacts to object storage, fetch a prior run file, or use MinIO/R2/Spaces/S3 without hardcoding credentials.

baronguyen001/ai-automation-skills

Draft a short-form TikTok/Reels/Shorts or long-form video script from a topic and creator persona file - hook variants, beat-structured body, CTA, b-roll cues, caption overlays, and [STORY]/[NUMBER] slots so the model never fabricates personal facts. Use for write a video script, tiktok script, youtube script, or /shortform-script.

baronguyen001/ai-automation-skills

Give scheduled scripts memory between runs with one SQLite file - a seen-set for dedup, a key/value cursor to resume where you left off, and order-preserving new-item filtering. Use for dedup across runs, don't re-alert the same item, remember the last id, resume a scraper, or persist state between cron runs.

Skills relacionados