在文件中找到一个字符串，在其上运行脚本，然后使用PowerShell

Question

目标

使用PowerShell，在文件中找到一个字符串，对该字符串运行一个简单的转换脚本，然后用同一文件中的新字符串替换原始字符串

详细信息

• 该文件是Markdown文件，其中包含一个或多个HTML块。
• 目标是不使用HTML来制作整个Markdown文件。
• Pandoc是一个命令行HTML到Markdown转换工具，可以轻松地将HTML转换为Markdown。
• 转换脚本是Pandoc脚本。
• 仅Panoc无法将包含HTML的Markdown文件转换为Markdown。
• 每个HTML块a是一个没有换行符的长字符串（请参见下面的示例）。
• HTML有点粗糙，有时无效；尽管如此，Pandoc还是成功地处理了许多转换。这可能不相关。
• 我无法更改以下事实：文件最初是作为Markdown / HTML的一部分生成的，有时HTML无效，或者每个HTML块都在一行上。
• 需要PowerShell，因为这是我的团队支持的脚本语言。

混合了Markdown / HTML代码的示例文件；大多数HTML无效

# Heading 1
Text

# Heading 2
<h3>Heading 3</h3><p>I am all on one line</h><span><div>I am not always valid HTML</div></span><br><h4>Heading 4<h4><ul><li>Item<br></li><li>Item</li><ul><span></span><img src="url" style="width:85px;">

# Heading 3
Text

# Heading 4
<h2>Heading 1</h2><div>Text</div><h2>Heading 2</h2><div>Text</div>

# Heading 5
<div><ul><li>Item</li><li>Item</li><li>Item</li></ul></div><code><pre><code><div>Code line 1</div><div>Code line 2</div><div>Code line 3</div></code></pre></code>

Text

转换脚本代码

pandoc -f html -t 'markdown_strict-raw_html-native_divs-native_spans-bracketed_spans' --atx-headers

尝试

我用<start>和<end>标记包围了每个HTML块，目的是使用正则表达式提取这些标记之间的文本，在其上运行Pandoc脚本，并替换原始文本。我的计划是运行一个foreach循环来逐个循环遍历每个块。

这种尝试会将HTML转换为Markdown，但不会随之返回原始Markdown：

$file = 'file.md'
$regex = '<start>.*?<end>'
$a = Get-Content $file -Raw
$a | Select-String $regex -AllMatches | ForEach-Object {$_.Matches.Value} | pandoc -f html -t 'markdown_strict-raw_html-native_divs-native_spans-bracketed_spans' --atx-headers

这种较差的尝试试图执行替换，但仅返回原始文件且未做任何更改：

$file = 'file.md'
$regex = '<start>.*?<end>'
$content = Get-Content $file -Raw

$a = $content | Select-String $regex -AllMatches
$b = $a | ForEach-Object {$_.Matches } | Foreach-Object {$_.Value} | Select-Object | pandoc -f html -t 'markdown_strict-raw_html-native_divs-native_spans-bracketed_spans' --atx-headers

$content | ForEach-Object {
    $_ -replace $a,$b }

我正在努力超越这些尝试。我是PowerShell的新手。如果这种方法是完全错误的，我将不胜感激。谢谢您的任何建议。

Answer 1

鉴于输入的面向行性质，您可以逐行处理输入文件，并为每行确定是否需要转换：

$file = 'file.md'
(Get-Content $file | ForEach-Object {
  if ($_ -match '^<') { # Is this an HTML line? - you could make this regex stricter
    $_ | pandoc -f html -t 'markdown_strict-raw_html-native_divs-native_spans-bracketed_spans' --atx-headers
  } else { # A non-HTML line, pass through as-is
    $_
  }
}) | Set-Content -Encoding Utf8 $file # be sure to choose the desired encoding

请注意(...)之前在管道周围的Set-Content，这可以确保$file被完整地 upfront 读入内存，从而可以回写到同一文件-请注意，这种便利的方法略有数据丢失的风险，但是，如果命令在写入完成之前被中断；始终首先创建输入文件的备份。