قم بإنشاء جدول محتويات من HTML مع Python

Question

أحاول إنشاء جدول محتويات من كتلة من HTML (وليس ملفًا كاملًا - محتوى فقط) بناءً على ذلك <h2> و <h3> العلامات.

كانت خطتي حتى الآن:

• استخراج قائمة من الرؤوس باستخدام beautifulsoup

• استخدم regex على المحتوى لوضع روابط مرساة قبل/داخل علامات الرأس (حتى يتمكن المستخدم من النقر على جدول المحتويات) - قد تكون هناك طريقة للاستبدال في الداخل beautifulsoup?

• إخراج قائمة متداخلة من الروابط إلى الرؤوس في بقعة محددة مسبقا.

يبدو الأمر سهلاً عندما أقول ذلك على هذا النحو ، لكنه يثبت أنه كان بعض الألم في العمق.

هل هناك شيء ما يفعل كل هذا بالنسبة لي في واحدة ، لذلك لا أضيع الساعتين القادمة في إعادة اختراع العجلة؟

مثال:

<p>This is an introduction</p>

<h2>This is a sub-header</h2>
<p>...</p>

<h3>This is a sub-sub-header</h3>
<p>...</p>

<h2>This is a sub-header</h2>
<p>...</p>

Answer 1

يستخدم lxml.html.

• يمكن التعامل مع HTML غير صالح بخير.
• أنه سريع جدا.
• يسمح لك بذلك قم بإنشاء العناصر المفقودة بسهولة ونقل العناصر بين الأشجار.

Answer 2

سرعان ما اخترق البعض قطعة قبيحة من الكود:

soup = BeautifulSoup(html)

toc = []
header_id = 1
current_list = toc
previous_tag = None

for header in soup.findAll(['h2', 'h3']):
    header['id'] = header_id

    if previous_tag == 'h2' and header.name == 'h3':
        current_list = []
    elif previous_tag == 'h3' and header.name == 'h2':
        toc.append(current_list)
        current_list = toc

    current_list.append((header_id, header.string))

    header_id += 1
    previous_tag = header.name

if current_list != toc:
    toc.append(current_list)


def list_to_html(lst):
    result = ["<ul>"]
    for item in lst:
        if isinstance(item, list):
            result.append(list_to_html(item))
        else:
            result.append('<li><a href="#%s">%s</a></li>' % item)
    result.append("</ul>")
    return "\n".join(result)

# Table of contents
print list_to_html(toc)

# Modified HTML
print soup

Answer 3

كيف يمكنني إنشاء جدول محتويات لنص HTML في بيثون؟

لكنني أعتقد أنك على المسار الصحيح وأن إعادة اختراع العجلة سيكون ممتعًا.

Answer 4

لقد جئت مع نسخة ممتدة من الحل الذي اقترحته łukasz.

def list_to_html(lst):
    result = ["<ul>"]
    for item in lst:
        if isinstance(item, list):
            result.append(list_to_html(item))
        else:
            result.append('<li><a href="#{}">{}</a></li>'.format(item[0], item[1]))
    result.append("</ul>")
    return "\n".join(result)

---

soup = BeautifulSoup(article, 'html5lib')

toc = []
h2_prev = 0
h3_prev = 0
h4_prev = 0
h5_prev = 0

for header in soup.findAll(['h2', 'h3', 'h4', 'h5', 'h6']):
    data = [(slugify(header.string), header.string)]

    if header.name == "h2":
        toc.append(data)
        h3_prev = 0
        h4_prev = 0
        h5_prev = 0
        h2_prev = len(toc) - 1
    elif header.name == "h3":
        toc[int(h2_prev)].append(data)
        h3_prev = len(toc[int(h2_prev)]) - 1
    elif header.name == "h4":
        toc[int(h2_prev)][int(h3_prev)].append(data)
        h4_prev = len(toc[int(h2_prev)][int(h3_prev)]) - 1
    elif header.name == "h5":
        toc[int(h2_prev)][int(h3_prev)][int(h4_prev)].append(data)
        h5_prev = len(toc[int(h2_prev)][int(h3_prev)][int(h4_prev)]) - 1
    elif header.name == "h6":
        toc[int(h2_prev)][int(h3_prev)][int(h4_prev)][int(h5_prev)].append(data)

toc_html = list_to_html(toc)