核心用法
html-markdown 是一个封装了 MinerU 开源能力的 CLI 工具，提供两条主要命令路径：
- `extract`：处理本地
.html文件或远程 HTML URL，直接解析静态 HTML 结构并输出 Markdown - `crawl`：针对需要 JavaScript 渲染的动态网页（如 SPA、懒加载内容），提供完整的浏览器级抓取能力
用户需先通过 mineru-open-api auth 配置 Token，或通过环境变量 MINERU_TOKEN 注入。支持语言参数 --language（默认中文 ch，英文场景用 en）。输出默认流向 stdout，可用 -o 指定目录保存文件。
显著优点
1. 开源背书：MinerU 由上海人工智能实验室（OpenDataLab）开源维护，技术栈透明，社区活跃度较高
2. 动态渲染支持：crawl 模式可处理现代 Web 应用的 JS 依赖内容，优于传统静态 HTML 解析器
3. 格式保真度：专为文档场景优化，能较好保留标题层级、列表、表格等结构
4. 双语优化：内置中英文语言提示，对中文文档排版友好
潜在缺点与局限性
- Token 强制依赖：所有 HTML 相关功能均需 API Token，无法离线使用，存在服务可用性依赖
- 非本地优先：
flash-extract模式不支持 HTML，意味着无法零配置快速体验 - Token 获取门槛：需注册 https://mineru.net 并手动创建 Token，流程较繁琐
- 平台限制：Go 安装方式仅支持 macOS/Linux，Windows 用户需依赖 npm
适合人群
- 需要批量将网页/电子书 HTML 转为 Markdown 的知识管理用户
- 构建 RAG/LLM 知识库的开发者，需清洗结构化网页内容
- 技术写作者处理在线文档、API 文档等场景
常规风险
- Token 泄露风险：
MINERU_TOKEN若写入 shell history 或误提交代码，可能导致配额被盗用 - 服务连续性：MinerU 云服务若调整策略或限流，可能影响工作流
- 隐私合规：通过
crawl抓取第三方网站时，需遵守目标站点的 robots.txt 及版权政策 - 输出质量波动：复杂 CSS 布局或嵌套表格的解析效果可能不及预期，需人工校验