Question

我需要将一些文本文件转换为HTML代码。我坚持将列表转换为HTML无序列表。示例来源：

文件中的一些文字
  *项目1   *第2项   *项目3
  其他一些文字

输出应为：

some text in the document
<ul>
    <li>item 1</li>
    <li>item 2</li>
    <li>item 3</li>
</ul>
some other text

目前，我有这个：

r = re.compile(r'\*(.*)\n')
r.sub('<li>\1</li>', the_text_document)

创建没有< ul >标记的HTML列表如何识别第一个和最后一个项目并用< ul >标签包围它们？

Answer 1

您可以逐行处理数据。下面这个快速而肮脏的解决方案可能会被整理，但对于您的数据，它可以解决问题。

with open('data.txt') as inf:
    star_count = 0
    for line in inf:
        line = line.strip()

        if not line.startswith('*'):
            if star_count == 1:
                print'</ul>'
            print line
        else:
            if star_count == 0:
                print '<ul>'
                star_count = 1
            print '  <li>%s</li>'  %line.split('*')[1].strip()

的产率：

some text in the document
<ul>
  <li>item 1</li>
  <li>item 2</li>
  <li>item 3</li>
</ul>
some other text

根据您的数据的复杂程度，或者您是否重复编号列表等，这将需要修改，您可能希望寻找更通用的解决方案，或修改此启动代码以满足您的需求，只有您可以决定。< / p>

更新：

编辑<li> .. </li>打印行以摆脱之前留下的*。

Answer 2

或使用BeautifulSoup

http://www.crummy.com/software/BeautifulSoup/bs4/doc/

修改

我显然必须给你一些如何阅读文档的提示。

打开链接

左边有一个大菜单（蓝绿色）

如果仔细观察，您会注意到文档分为多个部分

东西

在树中导航

搜索树

修改树（得到它）

输出（搞定了！）

还有更多的东西

Beautiful Soup是一个Python库，用于从HTML和XML文件中提取数据。它适用于您最喜欢的解析器，以提供导航，搜索和修改解析树的惯用方法。 它通常可以节省程序员数小时或数天的工作量。。

在第一句话之后不要停止阅读......最后一句是非常重要的，中间是什么。

换句话说，你可以创建一个空文档......让我们说：

soup = BeautifulSoup("<div></div>") document = soup.div

然后你阅读你文本的每一行..然后只要你有文字就这样做。

document.append(line)

如果该行以`*``
开头
ul = document.new_tag('ul') document.append(ul) document = ul

然后推送文档上的所有li ...一旦你最终阅读*，只需弹出父文件，然后文档返回到div。并继续这样做......你甚至可以递归地将ul插入到ul中。

解析完所有内容后......你可以做到

str(document)

或

document.prettify()

修改

刚才意识到你没有编辑html而是一个未格式化的文本..你可以尝试使用markdown。

http://daringfireball.net/projects/markdown/

Answer 3

在玩了一些想法之后，我决定选择第二个正则表达式。所以基本上，在运行第一个正则表达式（从我的原始帖子，创建<li>标签）后，我运行：

r = re.compile(r'(<li>.*?</li>\n(?!\s*<li>))', re.DOTALL)
r.sub('<ul>\\1</ul>', string_with_li_tags)

这会找到<li>标记的第一个匹配项和</li>\n组合的最后一个匹配项，后面跟不是<li>标记（实质上就是整个列表）并添加{{ 1}}标签。

编辑：我修改了正则表达式，所以它不会贪婪。这样它就可以处理同一文档中的多个列表。唯一的要求是列表项之间没有空格，如下面提到的@Aprillion

编辑2：修改了负前瞻以处理列表项之间的空格，因此涵盖了所有情况

Python Regex - 识别列表中的第一个和最后一个项目

3 个答案: