html - 将我的 HTML 从一种形式转换为另一种形式

Question

我刚刚在我的旧网页上浏览了一些糟糕的 HTML 标记。我注意到我的标记中有一些重复出现的错误。

我希望通过程序解决这些问题，但不确定哪种 API 或语言可以帮助我完成此任务。请问有人能帮帮我吗？

我的 HTML 是这种形式:

<td class="bulletPoint" align="right" valign="top" height="100%" width="100%">This is text</td>

我想替换成

<td class="bulletPoint" align="right" valign="top" height="100%" width="100%"><h2>This is text</h2></td>

我也有这种形式(class/colspan/href 可以变化):

<td class='original' colspan=4><a id='id12345' class='content' href='#note'">This is the text</a> 

并想将其转换为:

<font SIZE="3"  COLOR="#222222"  FACE="Verdana"  STYLE="background-color:#ffffff;font-weight: bold;"><h2>This is the text</h2></font>

当我有超过 1,000 个 .html 文件要执行此操作时，以编程方式执行此操作的最佳方法是什么？

谢谢

Answer 1

“以编程方式进行的最佳方式是什么”取决于您最了解哪些工具。我会用 python 和 beautifulsoup 来做。其他人可能会担保 sed 和正则表达式。查看我的方法:

创建两个单独的目录，一个包含原始 .html 文件的“副本”，另一个包含修改后的文件(不是原始文件的子目录)。

根据您的情况，一次运行或单独运行以下 python3 程序。您没有更改原始文件，您始终可以删除修改后的文件并重试。

您可以根据自己的需要更改 class_、colspan、href 等的选择，还可以创建多个程序，一个程序对应您可能遇到的每一种情况。

import os
from bs4 import BeautifulSoup

do = dir_with_original_files = '/path/to/your_original_files'
dm = dir_with_modified_files = '/path/to/your_modified_files'
for root, dirs, files in os.walk(do):
    for f in files:
        if f.endswith('~'): #you don't want to process backups
            continue
        original_file = os.path.join(root, f)
        mf = f.split('.')
        mf = ''.join(mf[:-1])+'_mod.'+mf[-1] # you can keep the same name 
                                             # if you omit the last two lines.
                                             # They are in separate directories
                                             # anyway. In that case, mf = f
        modified_file = os.path.join(dm, mf)
        with open(original_file, 'r') as orig_f, \
             open(modified_file, 'w') as modi_f:
            soup = BeautifulSoup(orig_f.read())
            for t in soup.find_all('td', class_='bulletPoint'):
                t.string.wrap(soup.new_tag('h2'))
            # The following loop could belong to a separate python progam
            # which would follow the same general structure.
            for t in soup.find_all('td', class_='original'):
                font = soup.new_tag('font')
                font['size'] = '3'
                font['color'] = '#222222'
                font['face'] = 'Verdana'
                font['style'] = 'background-color:#ffffff;font-weight: bold;'
                t.string.wrap(soup.new_tag('h2')).wrap(font)
            # This is where you create your new modified file.
            modi_f.write(soup.prettify())