Question

我正在编写一个python脚本来解析Wordpress Export XML（wp xml）的内容以生成LaTex文档。到目前为止，wp xml是通过lxml.etree解析的，代码生成了一个新的xml树，由texml处理，然后生成tex文件。

目前，我提取每个帖子以及某些元数据（标题，出版日期，标签，内容）。元数据没有问题，但内容部分有点问题。在wp xml中，内容作为CDATA结构包含在纯HTML / Wordpress标记中。要将其转换为乳胶，我选择pandoc来解析内容。 TeXml支持内联LaTeX，因此内容将作为普通LaTeX添加到树中。

我决定在这种情况下使用pandoc，因为它已经很好地转换了大多数html标签（a，strong，em ...），我唯一的问题是它如何处理图像。

我使用子进程与pandoc接口：

args = ['pandoc', '-f', 'html', '-t', 'latex']
p = Popen(args, stdout=PIPE, stdin=PIPE, stderr=PIPE)
tex_result = p.communicate(input=(my_html_string).encode('utf-8'))[0]

示例帖子可能看起来像这样

<strong>Lorem ipsum dolor</strong>  sit amet, consectetur adipiscing elit.

<a href="http://link_to_source_image.jpg"><img class="alignnone size-medium wp-image-id" title="Title_text" src="http://link_to_scaled_down_version.jpg" alt="Some alt text" width="262" height="300" /></a>

Nam nulla ante, vestibulum a euismod sed, accumsan at magna. Cras non augue risus, vitae gravida quam.

我需要带有字幕的图像，如图。

\begin{figure}
\includegraphics{link_to_image.jpg}
\label{fig:some_label}
\caption{Some alt text}
\end{figure}

pandoc似乎将html img标记转换为简单的内联图片，丢弃任何标题或替代文字。

\href{http://link\_to\_source\_image.jpg}{\includegraphics{http://link_to_scaled_down_version.jpg}}

我确实查看了源代码，看起来img只被视为内联元素。（pandoc parsing function）。我不知道Haskell，所以这就是我得到的。

如果你将html转换为markdown，它会保留alt和title，结果类似于

![Some alt text](http://link_to_scaled_down_version.jpg "Title_text")

使用markdown，您可以在生成的乳胶文档中显示内嵌图像或图形。如果将此降价转换为乳胶，结果为

\begin{figure}[htbp]
\centering
\includegraphics{http://link_to_scaled_down_version.jpg}
\caption{Some alt text}
\end{figure}

第一个pandoc似乎是解析内容的简单解决方案，但我有点卡住，因为pandoc也不支持html中的内联乳胶所以我可以先处理所有图像，其余的通过pandoc处理。

你们有没有想过如何（更好）处理html中的img标签嵌入带有字幕的乳胶的数字环境中？

Answer 1

Pandoc专门处理包含仅图像的段落，作为带有标题的图像。这些将变成带有标题的LaTeX数字。因此：

% pandoc -f html -t latex
<p><img src="myimg.jpg" alt="my text" title="my title"/></p>
^D
\begin{figure}[htbp]
\centering
\includegraphics{myimg.jpg}
\caption{my text}
\end{figure}

这可能会对你有帮助。

将HTML img标签转换为带有LaTeX标题的图形

1 个答案: