HTML to Markdown

Le node HTML to Markdown convertit du contenu HTML en Markdown propre, idéal pour préparer du texte structuré avant un LLM ou un traitement en aval.

À quoi sert le node HTML to Markdown ?

Le node HTML to Markdown prend du HTML brut (une page complète, un fragment, ou une liste de chaînes HTML) et le convertit en Markdown propre. Le résultat est une représentation bien plus compacte et lisible du même contenu, en préservant la structure du document (titres, listes, liens, emphases).

Il est particulièrement utile lorsque l’étape suivante de votre workflow est un LLM : le Markdown réduit la consommation de tokens, supprime le bruit de mise en page (scripts, styles, attributs inline) et donne au modèle une structure claire sur laquelle raisonner.

Cas d’usage typiques :

• Nettoyer le HTML renvoyé par un Web Scraper avant de le transmettre à un LLM pour résumé ou extraction.
• Normaliser du contenu rich-text (issu d’un CMS, d’un email, d’un export Google Doc) en Markdown pour stockage ou traitement ultérieur.
• Préparer des pages pour un pipeline RAG afin que les chunks restent sémantiquement structurés (titres, puces, tableaux).

Configuration rapide

Suivez ces étapes pour ajouter et configurer le node HTML to Markdown dans votre workflow.

Paramètres de configuration

Le node HTML to Markdown a une configuration minimale : vous définissez uniquement l’identité du node. Le HTML à convertir est fourni via la connexion d’entrée, pas via un champ statique.

Champs requis

Champs optionnels

Que renvoie le node ?

Le node renvoie un texte Markdown (string) correspondant au HTML d’entrée, avec les éléments structurels préservés :

• <h1> … <h6> deviennent des titres #, ##, …
• <strong>/<b> deviennent **gras**, <em>/<i> deviennent *italique*.
• <ul> / <ol> / <li> deviennent des listes Markdown à puces ou numérotées.
• <a href="..."> deviennent des liens [label](url).
• Les scripts inline, les styles et la plupart des attributs de mise en page sont supprimés.

Lorsque l’entrée est une liste de chaînes HTML, le node renvoie une liste de chaînes Markdown dans le même ordre.

Comment récupérer l’output ?

Dans Draft & Goal, vous n’avez pas besoin de chercher un nom de variable complexe généré par le système. Pour exploiter le résultat :

1. Tirez un lien depuis la sortie du node HTML to Markdown.
2. Connectez-le à l’entrée du node suivant.
3. Dans ce node suivant, créez et nommez votre propre variable (par exemple, markdown_content). Le Markdown converti y sera automatiquement injecté.

Exemples d’utilisation

Cas 1 : Nettoyer une page scrapée avant un LLM

Vous avez scrapé un article de blog et souhaitez qu’un LLM le résume. Lui transmettre du HTML brut gaspille des tokens et perturbe le modèle avec le balisage.

Donnée d’entrée (HTML provenant d’un Web Scraper) :

<h1>Title</h1>
<p>This is a <strong>paragraph</strong> with a <a href="https://example.com">link</a>.</p>
<ul>
  <li>Item 1</li>
  <li>Item 2</li>
</ul>

Output généré (Markdown) :

# Title

This is a **paragraph** with a [link](https://example.com).

- Item 1
- Item 2

Le node LLM suivant reçoit alors une entrée compacte et bien structurée — moins de tokens, de meilleures réponses.

Cas 2 : Conversion par lot de plusieurs pages

Vous avez scrapé une liste de pages produit et voulez les convertir toutes d’un coup avant de les stocker en base ou de les envoyer à une étape d’indexation RAG.

Donnée d’entrée (liste de chaînes HTML, une par page scrapée) :

[
  "<h2>Product A</h2><p>Description A</p>",
  "<h2>Product B</h2><p>Description B</p>"
]

Output généré (liste de chaînes Markdown, dans le même ordre) :

[
  "## Product A\n\nDescription A",
  "## Product B\n\nDescription B"
]

Vous pouvez ensuite brancher le résultat sur un node Loop ou directement sur un node aval qui accepte une liste.

Problèmes courants

L'output est vide ou ne contient que des espaces

Cause : La valeur d’entrée n’est pas réellement du HTML — par exemple, c’est déjà du texte brut, ou c’est un objet JSON qui n’a pas été extrait avant d’être connecté au node.

Solution : Inspectez la sortie du node précédent. S’il renvoie un objet, utilisez un JSON Path Extractor pour extraire d’abord le champ HTML, puis connectez ce champ au node HTML to Markdown.

Une partie de la structure est perdue (tableaux, composants custom)

Cause : La conversion se concentre sur les éléments HTML standards (titres, paragraphes, listes, liens, emphases). Du balisage très custom, du contenu rendu par JavaScript ou des balises non-standard peuvent ne pas avoir d’équivalent Markdown.

Solution : Pré-nettoyez le HTML avec un node HTML Cleaner pour retirer les balises non supportées, ou simplifiez le balisage source avant la conversion. Pour des besoins très spécifiques, un Find and Replace peut corriger les tokens résiduels après la conversion.

Bonnes pratiques et pièges à éviter

Comment s’intègre-t-il dans un workflow ?

HTML to Markdown est typiquement une étape de prétraitement entre l’acquisition de contenu et sa compréhension. Le motif le plus fréquent est : scraper, convertir, puis raisonner ou extraire.

graph LR
    Scraper[Web Scraper
<br/>récupère le HTML] --> H2M[HTML to Markdown
<br/>nettoie et convertit]
    H2M --> LLM[Node LLM
<br/>résume / extrait]
    LLM --> Extractor[JSON Path Extractor
<br/>parse l'output structuré]

Nodes complémentaires