f

internal/shared/pdf/text_processor.go

@@ -90,6 +90,22 @@ func (tp *TextProcessor) StripHTML(text string) string {
 	return text
 }
 
+// HTMLToPlainWithBreaks 将 HTML 转为纯文本并保留富文本换行效果（<p><br><div> 等变为换行）
+// 用于在 PDF 中还原段落与换行，避免内容挤成一团
+func (tp *TextProcessor) HTMLToPlainWithBreaks(text string) string {
+	text = html.UnescapeString(text)
+	// 块级结束标签转为换行
+	text = regexp.MustCompile(`(?i)</(p|div|br|tr|li|h[1-6])>\s*`).ReplaceAllString(text, "\n")
+	// <br> 自闭合
+	text = regexp.MustCompile(`(?i)<br\s*/?>\s*`).ReplaceAllString(text, "\n")
+	// 剩余标签移除
+	text = regexp.MustCompile(`<[^>]+>`).ReplaceAllString(text, "")
+	// 连续空白/换行压缩为最多两个换行（段间距）
+	text = regexp.MustCompile(`[ \t]+`).ReplaceAllString(text, " ")
+	text = regexp.MustCompile(`\n{3,}`).ReplaceAllString(text, "\n\n")
+	return strings.TrimSpace(text)
+}
+
 // RemoveMarkdownSyntax 移除markdown语法，保留纯文本
 func (tp *TextProcessor) RemoveMarkdownSyntax(text string) string {
 	// 移除粗体标记 **text** 或 __text__