Как очистить экспортированный из Google Docs HTML?

Question

[Максим Купрашевич]

Кто-нибудь знает способы лучше tidy-html для очистки очень грязного HTML после выгрузки из Google Docs? Интересуют именно программные способы (желательно С++) без использования Google Scripts
Tidy чистит очень плохо, например 200 тыс. символов очистил до 195 тыс.

Answer 1

[d'Ivan]

Альтернативный способ, которым сам воспользовался:
скачал в формате ODT, при помощи установленного LibreOffice сконвертировал документ в формат DocBook, который по своей структуре напоминает HTML, но при этом полностью отсутствуют "красоты", то бишь стили.
Просматривать и редактировать DocBook можно в LibreOffice. Можно сконвертировать этот формат в другие: LaTeX, PDF, HTML, ...

Comments

[Максим Купрашевич]

Неплохо, но нужно программно это сделать для дальнейшей обработки. Но спасибо за пищу для размышлений, может через промежуточные форматы лучше выйдет.

[d'Ivan]

Максим Купрашевич: Программно тоже можно: man unoconv (Линукс)