如何用帶有類的單個標簽替換嵌套的塊引用標簽？

Question

我繼承了幾千凌亂的HTML文件使用重復blockquote標簽顯示的詩行。

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>

對於自由詩行，您會看到多達 7 到 8 個塊引用標記包裹一行文本。 我想用單個<p>或<span>標記替換嵌套的塊blockquote標記集，並為其指定一個類，例如“indent-7”或“indent-8”。

blockquote標簽之間有不可預測的空白。 有些之間有空格，有些用新行分隔。 我認為 Python 的 BeautifulSoup 是處理此任務的方法。

如何使用類為“n”的單個標記替換嵌套的blockquote標記，其中 n 是嵌套的標記數？

Answer 1

這是我將如何使用 lxml 來處理它：

（請注意，我在詩中添加了一行，以測試以空格分隔的標簽。）

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>')

輸出：

<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>

只是為了更好的衡量（以及為了未來讀者的利益），這就是我將如何使用 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>

相同的輸出。

Answer 2

您可以手動刪除空格和新的 linrs。 一旦刪除，它應該使工作更容易。

假設這不是要考慮的選項，您可以使用 PHP

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

現在要替換塊引號，您甚至可以使用 Notepad++ 查找/替換功能，您只需要找到一個模式。 例如，使用當前的代碼，最多有兩個或三個塊引用。 因此，在 Notepad++ 中，您需要執行四次查找/替換所有操作

• 搜索<blockquote><blockquote>並替換為<p> （或按您的意願跨度）
• 搜索</blockquote></blockquote>並替換為</p> （或按您的意願跨度）
• 搜索<blockquote><blockquote><blockquote>並替換為<p> （或按您的意願跨度）
• 搜索</blockquote></blockquote></blockquote>並替換為</p> （或按您的意願跨度）