Docling项目HTML解析器对code标签的支持优化

在文档处理工具Docling的最新开发中，开发团队发现其HTML解析器存在一个功能缺陷——无法正确提取HTML文档中<code>标签内的文本内容。这个问题在解析API文档等技术文档时尤为明显，因为这些文档通常会使用<code>标签来标记代码片段、API端点路径等重要技术信息。

Docling的HTML解析器最初设计时主要考虑保留文档中对AI应用有价值的文本和表格元素，因此仅支持了部分HTML标签的转换，如<p>、<h1>和<table>等。这种设计在普通文档处理场景下表现良好，但在处理技术文档时就显得力不从心。

技术文档中，<code>标签承载着关键的技术信息：

1. API端点路径
2. 代码示例
3. 命令行指令
4. 配置参数
5. 数据结构定义

当解析包含<code>标签的HTML页面时，Docling会完整保留其他文本内容，但会完全忽略<code>标签及其内部文本。这导致生成的Markdown文档缺失关键的技术细节，严重影响文档的完整性和可用性。

开发团队已经确认这是一个需要优先解决的功能增强需求。解决方案将包括：

1. 扩展HTML解析器支持的标签列表，加入<code>标签
2. 确保转换后的Markdown能正确保留代码格式，使用反引号(`)进行标记
3. 添加相应的测试用例验证功能

这一改进将使Docling更好地满足技术文档处理的需求，特别是对API文档、开发手册等技术内容的解析能力将得到显著提升。开发团队建议用户在升级后检查生成的文档，确保所有代码片段都已被正确保留和格式化。

对于需要处理大量技术文档的用户，这一改进将大大提高工作效率，不再需要手动补充缺失的代码内容。Docling项目持续关注用户反馈，不断优化其文档处理能力，以满足不同场景下的多样化需求。