使用 lxml.etree 将 HTML 文档的隐式部分包装到部分标签中答案

【问题标题】：wrap implicit section of an HTML document into section tags using lxml.etree使用 lxml.etree 将 HTML 文档的隐式部分包装到部分标签中
【发布时间】：2014-02-24 16:45:49
【问题描述】：

我正在尝试编写一个小函数来将 HTML 文档的隐式部分包装到部分标签中。我正在尝试使用 lxml.etree。

假设我的输入是：

<html>
    <head></head>
    <body>
        <h1>title</h1>
        <p>some text</p>
        <h1>title</h1>
        <p>some text</p>
    </body>
</html>

我想结束：

<html>
    <head></head>
    <body>
        <section>
            <h1>title</h1>
            <p>some text</p>
        </section>
        <section>
            <h1>title</h1>
            <p>some text</p>
        </section>
    </body>
</html>

这是我目前拥有的

def outline(tree):
    pattern = re.compile('^h(\d)')
    section = None

    for child in tree.iterchildren():
        tag = child.tag

        if tag is lxml.etree.Comment:
            continue

        match = pattern.match(tag.lower())

        # If a header tag is found
        if match:
            depth = int(match.group(1))

            if section is not None:
                child.addprevious(section)

            section = lxml.etree.Element('section')
            section.append(child)

        else:
            if section is not None:
                section.append(child)
            else:
                pass

        if child is not None:
            outline(child)

我是这样称呼的

 outline(tree.find('body'))

但目前它不适用于副标题，例如：

<section>
    <h1>ONE</h1>
    <section>
        <h3>TOO Deep</h3>
    </section>
    <section>
        <h2>Level 2</h2>
    </section>
</section>
<section>
    <h1>TWO</h1>
</section>

谢谢

【问题讨论】：

标签： python html lxml elementtree

【解决方案1】：

在转换 xml 时，xslt 是最好的方法，请参阅lxml and xslt docs。

这只是一个要求的方向，如果您需要进一步的帮助来编写 xslt，请告诉我

【讨论】：

谢谢。我从树的迭代开始。我也很好奇 xpath 的解决方案。

【解决方案2】：

这是我最终得到的代码，记录在案：

def outline(tree, level=0):
    pattern = re.compile('^h(\d)')
    last_depth = None
    sections = [] # [header, <section />]

    for child in tree.iterchildren():
        tag = child.tag

        if tag is lxml.etree.Comment:
            continue

        match = pattern.match(tag.lower())
        #print("%s%s" % (level * ' ', child))

        if match:
            depth = int(match.group(1))

            if depth <= last_depth or last_depth is None:
                #print("%ssection %d" % (level * ' ', depth))
                last_depth = depth

                sections.append([child, lxml.etree.Element('section')])
                continue

        if sections:
            sections[-1][1].append(child)

    for section in sections:
        outline(section[1], level=((level + 1) * 4))
        section[0].addprevious(section[1])
        section[1].insert(0, section[0])

对我来说效果很好

【讨论】：