如何用带有类的单个标签替换嵌套的块引用标签？

Question

我继承了几千凌乱的HTML文件使用重复blockquote标签显示的诗行。

例子：

 <blockquote><blockquote>roses are red</blockquote></blockquote><br> <blockquote><blockquote><blockquote>violets are blue</blockquote></blockquote></blockquote><br> <blockquote><blockquote>this is another line</blockquote></blockquote><br> <blockquote><blockquote><blockquote>and this is too</blockquote></blockquote></blockquote><br>

对于自由诗行，您会看到多达 7 到 8 个块引用标记包裹一行文本。 我想用单个<p>或<span>标记替换嵌套的块blockquote标记集，并为其指定一个类，例如“indent-7”或“indent-8”。

blockquote标签之间有不可预测的空白。 有些之间有空格，有些用新行分隔。 我认为 Python 的 BeautifulSoup 是处理此任务的方法。

如何使用类为“n”的单个标记替换嵌套的blockquote标记，其中 n 是嵌套的标记数？

Answer 1

这是我将如何使用 lxml 来处理它：

（请注意，我在诗中添加了一行，以测试以空格分隔的标签。）

poem = """
<doc>
  <blockquote><blockquote>roses are red</blockquote></blockquote><br/>
  <blockquote>     <blockquote>roses are green</blockquote></blockquote><br/>
       <blockquote>
         <blockquote><blockquote>violets are blue</blockquote></blockquote></blockquote><br/>
    <blockquote><blockquote>this is another line</blockquote></blockquote><br/>
    <blockquote><blockquote><blockquote>and this is too</blockquote></blockquote></blockquote><br/>

</doc>
"""

doc = lxml.html.fromstring(poem)
targ = doc.xpath('//text()[normalize-space(.)]')
for t in targ:
    count = int(t.getparent().xpath("count(.//ancestor::*[name()='blockquote'])"))
    print(f'<blockquote indent="{count}">{t}<</blockquote>')

输出：

<blockquote indent="2">roses are red<</blockquote>
<blockquote indent="2">roses are green<</blockquote>
<blockquote indent="3">violets are blue<</blockquote>
<blockquote indent="2">this is another line<</blockquote>
<blockquote indent="3">and this is too<</blockquote>

只是为了更好的衡量（以及为了未来读者的利益），这就是我将如何使用 xquery：

let $j := <doc>
...text of poem above... 
</doc>

for $targ in $j//text()[normalize-space(.)] 

let $line := $targ/data(.) 
let $count := count($targ/ancestor::blockquote)
return 
<blockquote nested="{$count}">{$line}</blockquote>

相同的输出。

Answer 2

您可以手动删除空格和新的 linrs。 一旦删除，它应该使工作更容易。

假设这不是要考虑的选项，您可以使用 PHP

$html = preg_replace('~>\\s+<~m', '><', $html);

现在要替换块引号，您甚至可以使用 Notepad++ 查找/替换功能，您只需要找到一个模式。 例如，使用当前的代码，最多有两个或三个块引用。 因此，在 Notepad++ 中，您需要执行四次查找/替换所有操作

• 搜索<blockquote><blockquote>并替换为<p> （或按您的意愿跨度）
• 搜索</blockquote></blockquote>并替换为</p> （或按您的意愿跨度）
• 搜索<blockquote><blockquote><blockquote>并替换为<p> （或按您的意愿跨度）
• 搜索</blockquote></blockquote></blockquote>并替换为</p> （或按您的意愿跨度）