Найти и вставить теги с помощью регулярного выражения

Я конвертирую книгу из PDF в epub в калибре. Но заголовки не находятся внутри тегов заголовков, поэтому попробуйте функцию python, используя регулярное выражение для ее замены.

пример текста:

<p class="calibre1"><a id="p1"></a>Chapter 370: Slamming straight on</p>
<p class="softbreak"> </p>
<p class="calibre1">Hearing Yan Zhaoge’s suggestion, the Jade Sea City martial practitioners here were all stunned.</p>
<p class="calibre1"><a id="p7"></a>Chapter 372: Yan Zhaoge’s plan</p>
<p class="softbreak"> </p>
<p class="calibre1">Yan Zhaoge and Ah Hu sat on Pan-Pan’s back, black water swirling about Pan-Pan’s entire body, keeping away the seawater as he shot forward at lightning speed.</p>

я пытался использовать регулярное выражение с

def replace(match, number, file_name, metadata, dictionaries, data, functions, *args, **kwargs):
    
    pattern = r"</a>(?i)chapter [0-9]+: [\w\s]+(.*)<br>"
    list = re.findall(pattern, match.group())
    
    for x in list:
        x = "</a>(?i)chapter [0-9]+: [\w\s]+(.?)<br>"
        x = s.split("</a>", 1)[0] + '</a><h2>' + s.split("a>",1)[1]
        x = s.split("<br>", 1)[0] + '</h2><br>' + s.split("<br>",1)[1]
    return match.group()

а также


def replace(match, number, file_name, metadata, dictionaries, data, functions, *args, **kwargs):
    pattern = r"</a>(?i)chapter [0-9]+: [\w\s]+(.*)<br>"
    s.replace(re.match(pattern, s), r'<h2>$0')

Но так и не получил ожидаемого результата. то, что я хочу, это...

Вход

</a>Chapter 370: Slamming straight on</p>

Выход

</a><h2>Chapter 370: Slamming straight on</h2></p>

Тег h2 должен быть добавлен во всех подобных экземплярах


python regex calibre
person Andruraj    schedule 17.06.2019    source источник
comment
вместо этого вам, вероятно, следует использовать синтаксический анализатор xml. не анализировать xml с регулярным выражением   -  person Jean-François Fabre    schedule 17.06.2019
comment
volarenovels.com/novel/historys-strongest-senior-brother? T&C не позволяют изменять их содержание   -  person Patrick Artner    schedule 17.06.2019
comment
Я не изменяю какой-либо контент, я конвертирую в epub для чтения на мобильных устройствах, и мне, как программисту, интересно узнать, как это сделать.   -  person Andruraj    schedule 18.06.2019

Ответы (2)


arrow_upward
1
arrow_downward

regex нельзя использовать для разбора xml. См.: Почему невозможно использовать регулярное выражение для анализа HTML/XML: формальное объяснение с точки зрения непрофессионала (Why shouldn't you..было бы лучше заглавие)

Однако вместо этого вы можете использовать BeautifulSoup:

from bs4 import BeautifulSoup
data = """<p class="calibre1"><a id="p1"></a>Chapter 370: Slamming straight on</p>
<p class="softbreak"> </p>
<p class="calibre1">Hearing Yan Zhaoge’s suggestion, the Jade Sea City martial practitioners here were all stunned.</p>
<p class="calibre1"><a id="p7"></a>Chapter 372: Yan Zhaoge’s plan</p>
<p class="softbreak"> </p>
<p class="calibre1">Yan Zhaoge and Ah Hu sat on Pan-Pan’s back, black water swirling about Pan-Pan’s entire body, keeping away the seawater as he shot forward at lightning speed.</p>
i t"""

soup = BeautifulSoup(data, 'lxml')


for x in soup.find_all('p', {'class':'calibre1'}):

    link = x.find('a')
    title = x.text
    corrected_title = soup.new_tag('h2')
    corrected_title.append(title)

    if link:
        x.string=''
        corrected_title = soup.new_tag('h2')
        corrected_title.append(title)
        link.append(corrected_title)
        x.append(link)

print(soup.body)

Вывод

<body>
    <p class="calibre1">
        <a id="p1">
            <h2>Chapter 370: Slamming straight on</h2>
        </a>
    </p>
    <p class="softbreak"> </p>
    <p class="calibre1">Hearing Yan Zhaoge’s suggestion, the Jade Sea City martial practitioners here were all stunned.</p>
    <p class="calibre1">
        <a id="p7">
            <h2>Chapter 372: Yan Zhaoge’s plan</h2>
        </a>
    </p>
    <p class="softbreak"> </p>
    <p class="calibre1">Yan Zhaoge and Ah Hu sat on Pan-Pan’s back, black water swirling about Pan-Pan’s entire body, keeping away the seawater as he shot forward at lightning speed.</p>
    i t
</body>
person Sebastien D    schedule 17.06.2019
comment
Спасибо @Sebastien, но, к сожалению, разрешает только регулярное выражение. И это тоже не работает. - person Andruraj; 18.06.2019
comment
@Andruraj, мой позор, я исправил это. Просто любопытно, почему работает только regex? - person Sebastien D; 18.06.2019
comment
Я использую калибр для преобразования pdf в epub, и это позволяет использовать только регулярное выражение. Надеюсь, это достаточно проясняет. - person Andruraj; 27.06.2019

arrow_upward
0
arrow_downward

Комментарий Jean-François было бы гораздо лучше следовать, но если бы мы могли to, я предполагаю, что мы бы начали с этого выражения:

(<\/a>)([^<]+)?(<\/p>)
(<\/a>)(chapter\s+[0-9]+[^<]+)?(<\/p>)

заменяется на:

\1<h2>\2</h2>\3

Демонстрация 1

Демонстрация 2

Тест

# coding=utf8
# the above tag defines encoding for this document and is for Python 2.x compatibility

import re

regex = r"(<\/a>)(chapter\s+[0-9]+[^<]+)?(<\/p>)"

test_str = ("<p class=\"calibre1\"><a id=\"p1\"></a>Chapter 370: Slamming straight on</p>\n"
    "<p class=\"softbreak\"> </p>\n"
    "<p class=\"calibre1\">Hearing Yan Zhaoge’s suggestion, the Jade Sea City martial practitioners here were all stunned.</p>\n"
    "<p class=\"calibre1\"><a id=\"p7\"></a>Chapter 372: Yan Zhaoge’s plan</p>\n"
    "<p class=\"softbreak\"> </p>\n"
    "<p class=\"calibre1\">Yan Zhaoge and Ah Hu sat on Pan-Pan’s back, black water swirling about Pan-Pan’s entire body, keeping away the seawater as he shot forward at lightning speed.</p>")

subst = "\\1<h2>\\2</h2>\\3"

# You can manually specify the number of replacements by changing the 4th argument
result = re.sub(regex, subst, test_str, 0, re.MULTILINE | re.IGNORECASE)

if result:
    print (result)

# Note: for Python 2.7 compatibility, use ur"" to prefix the regex and u"" to prefix the test string and substitution.
person Emma    schedule 17.06.2019
comment
Спасибо @Эмма. Но он также обнаруживает теги ‹/a›‹/p› (для обоих регулярных выражений) - person Andruraj; 18.06.2019