HTML 转 Markdown——每一个标签都追得到，每一次拒绝都记在账上

把标记粘进来，把 markdown 拿走——整条路都印在纸上：那台照你浏览器读标签的方式来读你标签的分词器，每个元素变成了什么、为什么，不得不转义的每一个字符，被拒绝解释的每一个构造，底下还有拿你自己的浏览器那台 HTML 解析器跑的一遍对账。你粘进来的东西不会离开这台设备。

English

进来的 HTML

markdown 拼不出来的那些标记

链接

项目符号

标签变成 markdown 的规则

进来的是什么，出去的是什么

把标记粘进来，把 markdown 拿走。难的地方不在转换，在诚实：markdown 拼不出 HTML 的大部分东西，所以一个转换器要么瞎编，要么把字扔掉，而一个编了、扔了却不吭声的页面，总会在粘贴和提交之间的某个地方赔掉你一个下午。

留着三本账，另外跑一次对账。

每一个元素，按遇见它们的顺序——每个标签变成了什么，以及解释这个选择的那句话。一个只装着别的盒子的 <div> 是有意消失的；一个带着 class 的  不是，因为那个 class 就是它存在的理由。
输出为了自保而不得不护住的每一个字符——那些反斜杠，和每一个反斜杠在这里的原因。散文里的 & 好好待着；& 挡在 copy; 前面就是一个字符引用，于是它领到一个反斜杠和这张表里的一行。
被拒绝解释的东西——那些条目不是不肯帮忙，而是两句陈述：要么 markdown 里没有这个构造，要么你的标记需要解析器替作者把一句话说完，而作者没说完。

底下是对账表：二十份小文档，加上你自己粘的那份 markup，每一份都解析两遍——一遍由这台分词器和这棵树构造器，一遍由 DOMParser，也就是正在解析你此刻这个标签页的同一台引擎。两棵树一致，那一行就照实说一致。不一致的时候，你看到的是一次真正的分歧，而不是一句"根本没有分歧"的声明。

为什么解析器要摊开写

markdown 是一份带约定的纯文本，HTML 是一棵带文档的树。从后者走到前者，意味着对每一个节点判断一件事： markdown 有没有它的拼法——然后再确保你写下去的那个拼法，读回来还是你心里那棵树。

读的那一半是一台分词器和一棵树构造器，两头都取自 HTML 解析规则本身，而不是谁的库。一个片段转换器真正需要的部分又短又怪，怪到值得逐个点名：

从不闭合的标签照样在文件尽头结束。 left open 给你一个段落；onetwo 给你两个，因为第二个段落起始标签会把第一个关掉。这条规则，加上列表项、表格单元、标题那九条同类规则，就是第二张表不是空着的原因。
标签末尾那个斜杠对大多数元素什么都不表示。 <div/>after 让那个 div 开着，并把 after 放进去。只有空元素——br、img、hr、input 这些——可以自己把自己写闭。
格式化标签可以套叠，最多套到三个一模一样的。 标准里那一条自己的名字叫 Noah’s Ark：三个相同的  还开着的时候，第四个  会把最早的那个从"活动格式化标签"这份名单里拿出去。而那份名单是结束标签去找的名单，不是树——被点名的那个元素照样开着，照样收着它后面写下的字，所以 1234567 是四层套叠，最后那个 7 坐在最外层的  里面。把这一条读成 “把最早的那个关掉”，那个字就被挪出了它当初写进去的那一段强调，而对账表里那一行摆的就是这两种形状。
script 的身体是数据。 里面的引用不解码，里面的 < 不开标签，里面的内容也不是字——所以 script 的字节永远不会以段落的形式出来。
字符引用是有棱角的。 &ltt; 是 <t;，不是 &ltt;，也不是 <;； 是一个欧元符号，不是控制字符，因为浏览器到今天还在对小于 32 的数字套用 Windows-1252 那张表；而在属性里面，&copy=2 一个字不改地留着，©=2 却变成 ©=2。每一条都是一行对账。
表格永远有一副 tbody，行里永远装着单元格。 <table><td>x</table> 里既没写 tbody 也没写 tr，而浏览器在安置那个 x 之前会把两者都建出来。解析器也建，并且在节点表里把每一个都标成"为这段标记开出来的标签"，好让一次插入不会看起来像你忘了关的那个。把树建成读者将要重新建成的那副样子，这就是转换器和字符串替换器的区别。
具名引用的那张表是从你的浏览器读来的，读它的规则不是。 § 代表什么，是一份两千二百来条、由浏览器出厂并不断更新的数据表，所以每个名字都向你的浏览器问一次、答案存下来，问不到的那些也一并报告。什么时候必须有分号、不带分号的名字能匹配成什么、同样一段文字在属性里又如何表现——这些是上面摊开写的规则。规则要是也从库里借，就不再是可核对的了。

有意没做的：完整的树构造算法连同它的 foster parenting（表格行之间的文字被解析器搬到别处去）、frameset 的各个阶段，还有 template 的内容。这些正是标准里会把你写的字挪到树上另一个位置的部分。树构造器不挪，意思是：碰上触发这条规则的标记，对账表就会打印出一处分歧——而把分歧摆在你面前，比把它藏进一个测试文件诚实。

建出一副区段，跟搬走一个词，不是一回事，两者分得很清楚：为没有 tbody 的表格开出的那一副 tbody 和那一行 tr，就落在你的标记本来放单元格的位置上，你写的任何东西都不换主人。

强调为什么用它拿到的那个分隔符

foobarbaz 是 markdown 转换器一定会写错的其中一句话，而修法是一条读一遍就能记住的规则。下划线只有在不是夹在两个文字字符之间时才能开启强调，所以一个词里面的 _bar_ 就是字面下划线，强调没了：

foo_bar_baz        →  foo_bar_baz
foo*bar*baz        →  foo<em>bar</em>baz

星号没有这个限制，所以只要这一对碰到词，写表器就用 *。同一套算术还会把一个多余的空格从标记底下挪出去—— done  变成 *done*，因为内侧带着空格的分隔符谁也没 flank，什么也开不了。而同一种标记套在自己身上时，里面那个改用这一对的另一个字符，所以你会在输出里看到 _foo *bar* baz_，而不是 _foo _bar_ baz_。

还有第三种情形，它两种分隔符都拿不到。abcde 要的是一层强调套在同一种强调里面，而把里面那个换成这一对的另一个字符，只在那个字符能够 flank 的地方才成立——夹在两个文字字符之间恰恰不行，而嵌套的那个通常就坐在这种位置上。常见的答复是写四个星号听天由命，可它读回来是两个空的强调；改为把里面那个标签按标记原样放下：

a<em>b<em>c</em>d</em>e   →   a*b<em>c</em>d*e

这跟元素策略对带着 class 的  早就做的决定是同一个，并且拒绝表里会记一行，写明放弃的是哪个元素。你若在那张表里看到 nested-same-mark 或 mark-unflankable，它旁边的 markdown 就是诚实的形状，不是写错了。

如果你的文档里满是 snake_case 标识符，去读那张转义表：护住的每一个下划线，都是一处不加反斜杠就会吃掉一个词的地方。

列表，转换器栽在这里

一副列表靠两个决定撑着，而这两个在这几张表里都看得见。

松还是紧。 条目之间隔着空行的列表把空行留着；条目只是光秃秃一行的列表不留。在 HTML 里，这个差别就是每个条目里有没有一个段落，所以转换器就找这个。反过来搞错，某个条目底下那个嵌套列表就不再属于它了。

缩进。 每一层把自己的条目写在第零列，让上面那一层把它们推右，于是一个缩进正好被数一次。一边往下递归时缩进、一边往回返时又缩进的转换器，产出的就是四、十二、二十空格那截楼梯——很多粘出来的 markdown 正好长这样——而读者看到的是一段代码块，不是一副列表。

相邻的两副列表是第三个麻烦：markdown 没有"列表结束"的记号，所以 - a 接 - b 无论标记里怎么写的，读回来都是一副列表。中间插一个空注释，在任何真正的解析器里都会关掉前面那副，写的就是这个，并在转义表里留一行说明此事。

三个选项

markdown 没有拼法的那个标记——keep 把标签原样放进输出，对一个 class 才是要紧的 <div class="note"> 这是对的答案，对一份满是修订记录的页则是错的答案。escape 把标签变成看得见的文字——恰好只有一种场合有用，就是你要把标记展示给某人看。drop 把标签拿走、把字留下，这是当 markup 来自文字处理器、里面每个元素都是噪音时你想要的。

链接——行内 [words](address) 待在原地；引用式 [words][label] 把所有地址送到文件末尾，那是一份引用同一个页面十一遍的文档该有的读法。标签是从链接自己的文字生成的，而撞了名的标签是改名，不是合并，因为两个标签指向一个地址、和两个地址共用一个标签，两种都是 bug。

项目符号——只有 - 和 *：一个符号加一个空格才是一条列表项，而一份第一个符号是 + 的文档，它的第一行马上就要不再是列表了。

有两处输出跟你的编辑器对不上

第一处是空白。HTML 在渲染时把文字里任何一串空格、制表符、换行都收成单个空格，所以字写下来的时候也照同一个规矩来：句子中间的那个换行，不是 markdown 里的换行。只有   被当作作者要求的一次断行，而它出来是行末的一个反斜杠。

第二处是表格。管道表只有一行表头、没有 colspan，所以一个单元跨列、或者各列对齐方式不同的表格，写不成一副管道表。拒了哪张表、为什么拒，都会被说出来，而不是吐出一个读回来是别的东西的形状。

你粘进来的东西，在这里读完就扔

分词器、树构造器和写表器都在你打开的那个标签页里跑起来。你粘进来的东西由这个标签页里长出的一棵树读，你关掉标签页它就没了：这次转换不上传什么，不发请求，也没有活儿派给服务器。对账之所以能成立，也是这个道理——那是你自己的浏览器里那台解析器，在你自己的浏览器里，被同一个问题问了两次。

这第二次问，问在一个专为它造出来、也从不显示出来的文档里。这个选择是承诺的一部分，不是实现的细节。把你的标记喂给当前打开那份文档里的一个元素，两种解析器会给出同样的二十种结果——表里每一条探针在两边都一致——可那里面的一张图片会开始加载，而一段被你粘进来只是为了转换的标记，没有理由替你去发一个请求。那个一次性的文档到不了任何服务器，同时它好好留着这场对账要用的注释节点和 script 身体。