python - 将 HTML 列表 () 转换为制表符(即缩进)

Question

曾使用过数十种语言，但对 Python 不熟悉。

这是我的第一个(也许是第二个)问题，所以要温和...

试图有效地将类似 HTML 的 markdown 文本转换为 wiki 格式(特别是，Linux Tomboy/GNote notes 到 Zim)并且在转换列表时卡住了。

对于像这样的 2 级无序列表...

• 一级
  • 二级

假小子/GNote 使用类似...

<list><list-item>First level<list><list-item>Second level</list-item></list></list-item></list>

但是，Zim 个人 wiki 希望这样...

* First level
  * Second level

... 带有前导标签。

我研究了 regex 模块函数 re.sub()、re.match()、re.search() 等，发现 Python 能够将重复文本编码为...

 count * "text"

因此，看起来应该有一种方法可以做类似...

 newnote = re.sub("<list>", LEVEL * "\t", oldnote)

其中 LEVEL 是 <list> 的序数(出现)在笔记中。因此它将是0对于第一个<list>遭遇，1对于第二个，等等。

LEVEL 将在每次 </list> 时递减遇到了。

<list-item>标签被转换为项目符号的星号(在适当的情况下以换行符开头)和 </list-item>标记已删除。

最后...问题...

• 如何获取 LEVEL 的值并将其用作制表符乘数？

Answer 1

您确实应该使用 xml 解析器来执行此操作，但要回答您的问题:

import re

def next_tag(s, tag):
    i = -1
    while True:
        try:
            i = s.index(tag, i+1)
        except ValueError:
            return
        yield i

a = "<list><list-item>First level<list><list-item>Second level</list-item></list></list-item></list>"

a = a.replace("<list-item>", "* ")

for LEVEL, ind in enumerate(next_tag(a, "<list>")):
    a = re.sub("<list>", "\n" + LEVEL * "\t", a, 1)

a = a.replace("</list-item>", "")
a = a.replace("</list>", "")

print a

这将适用于您的示例，并且仅适用于您的示例。使用 XML 解析器。您可以使用 xml.dom.minidom(它包含在 Python(至少 2.7)中，无需下载任何东西):

import xml.dom.minidom

def parseList(el, lvl=0):
    txt = ""
    indent = "\t" * (lvl)
    for item in el.childNodes:
        # These are the <list-item>s: They can have text and nested <list> tag
        for subitem in item.childNodes:
            if subitem.nodeType is xml.dom.minidom.Element.TEXT_NODE:
                # This is the text before the next <list> tag
                txt += "\n" + indent + "* " + subitem.nodeValue
            else:
                # This is the next list tag, its indent level is incremented
                txt += parseList(subitem, lvl=lvl+1)
    return txt

def parseXML(s):
    doc = xml.dom.minidom.parseString(s)
    return parseList(doc.firstChild)

a = "<list><list-item>First level<list><list-item>Second level</list-item><list-item>Second level 2<list><list-item>Third level</list-item></list></list-item></list></list-item></list>"
print parseXML(a)

输出:

* First level
    * Second level
    * Second level 2
        * Third level