日韩无码专区无码一级三级片|91人人爱网站中日韩无码电影|厨房大战丰满熟妇|AV高清无码在线免费观看|另类AV日韩少妇熟女|中文日本大黄一级黄色片|色情在线视频免费|亚洲成人特黄a片|黄片wwwav色图欧美|欧亚乱色一区二区三区

用一些簡單的腳本，可以很容易地清理文檔和其它大量的 HTML 文件。但是首先你需要解析它們。

創(chuàng)新互聯公司2013年開創(chuàng)至今，先為牧野等服務建站，牧野等地企業(yè)，進行企業(yè)商務咨詢服務。為牧野企業(yè)網站制作PC+手機+微官網三網同步一站式服務解決您的所有建站問題。

作為 Scribus 文檔團隊的長期成員，我要隨時了解***的源代碼更新，以便對文檔進行更新和補充。 我最近在剛升級到 Fedora 27 系統(tǒng)的計算機上使用 Subversion 進行檢出操作時，對于下載該文檔所需要的時間我感到很驚訝，文檔由 HTML 頁面和相關圖像組成。 我恐怕該項目的文檔看起來比項目本身大得多，并且懷疑其中的一些內容是“僵尸”文檔——不再使用的 HTML 文件以及 HTML 中無法訪問到的圖像。

我決定為自己創(chuàng)建一個項目來解決這個問題。 一種方法是搜索未使用的現有圖像文件。 如果我可以掃描所有 HTML 文件中的圖像引用，然后將該列表與實際圖像文件進行比較，那么我可能會看到不匹配的文件。

這是一個典型的圖像標簽：

我對 src= 之后的***組引號之間的部分很感興趣。 在尋找了一些解決方案后，我找到一個名為 BeautifulSoup 的 Python 模塊。 腳本的核心部分如下所示：

 
 
 
 

  
  
  
  
soup = BeautifulSoup(all_text, 'html.parser')
  
  
  
  
match = soup.findAll("img")
  
  
  
  
if len(match) > 0:
  
  
  
  
 for m in match:
  
  
  
  
 imagelist.append(str(m))
 
 
 
 

我們可以使用這個 findAll 方法來挖出圖片標簽。 這是一小部分輸出：

到現在為止還挺好。我原以為下一步就可以搞定了，但是當我在腳本中嘗試了一些字符串方法時，它返回了有關標記的錯誤而不是字符串的錯誤。 我將輸出保存到一個文件中，并在 KWrite 中進行編輯。 KWrite 的一個好處是你可以使用正則表達式（regex）來做“查找和替換”操作，所以我可以用 \n 替換 ，這樣可以看得更清楚。 KWrite 的另一個好處是，如果你用正則表達式做了一個不明智的選擇，你還可以撤消。

但我認為，肯定有比這更好的東西，所以我轉而使用正則表達式，或者更具體地說 Python 的 re 模塊。 這個新腳本的相關部分如下所示：

 
 
 
 

  
  
  
  
match = re.findall(r'src="(.*)/>', all_text)
  
  
  
  
if len(match)>0:
  
  
  
  
 for m in match:
  
  
  
  
 imagelist.append(m)
 
 
 
 

它的一小部分輸出如下所示：

 
 
 
 

  
  
  
  
images/cmcanvas.png" title="Context Menu for the document canvas" alt="Context Menu for the document canvas" />
 
 
 
 

乍一看，它看起來與上面的輸出類似，并且附帶有去除圖像的標簽部分的好處，但是有令人費解的是還夾雜著表格標簽和其他內容。 我認為這涉及到這個正則表達式 src="(.*)/>，這被稱為貪婪，意味著它不一定停止在遇到 /> 的***個實例。我應該補充一點，我也嘗試過 src="(.*)"，這真的沒有什么更好的效果，我不是一個正則表達式專家（只是做了這個），找了各種方法來改進這一點但是并沒什么用。

做了一系列的事情之后，甚至嘗試了 Perl 的 HTML::Parser 模塊，最終我試圖將這與我為 Scribus 編寫的一些腳本進行比較，這些腳本逐個字符的分析文本內容，然后采取一些行動。 為了最終目的，我終于想出了所有這些方法，并且完全不需要正則表達式或 HTML 解析器。 讓我們回到展示的那個 img 標簽的例子。

我決定回到 src= 這一塊。 一種方法是等待 s 出現，然后看下一個字符是否是 r，下一個是 c，下一個是否 =。 如果是這樣，那就匹配上了！ 那么兩個雙引號之間的內容就是我所需要的。 這種方法的問題在于需要連續(xù)識別上面這樣的結構。 一種查看代表一行 HTML 文本的字符串的方法是：

 
 
 
 

  
  
  
  
for c in all_text:
 
 
 
 

但是這個邏輯太亂了，以至于不能持續(xù)匹配到前面的 c，還有之前的字符，更之前的字符，更更之前的字符。

***，我決定專注于 = 并使用索引方法，以便我可以輕松地引用字符串中的任何先前或將來的字符。 這里是搜索部分：

 
 
 
 

  
  
  
  
 index = 3
  
  
  
  
 while index < linelength:
  
  
  
  
 if (all_text[index] == '='):
  
  
  
  
 if (all_text[index-3] == 's') and (all_text[index-2] == 'r') and (all_text[index-1] == 'c'):
  
  
  
  
 imagefound(all_text, imagelist, index)
  
  
  
  
 index += 1
  
  
  
  
 else:
  
  
  
  
 index += 1
  
  
  
  
 else:
  
  
  
  
 index += 1
 
 
 
 

我用第四個字符開始搜索（索引從 0 開始），所以我在下面沒有出現索引錯誤，并且實際上，在每一行的第四個字符之前不會有等號。 ***個測試是看字符串中是否出現了 =，如果沒有，我們就會前進。 如果我們確實看到一個等號，那么我們會看前三個字符是否是 s、r 和 c。 如果全都匹配了，就調用函數 imagefound：

 
 
 
 

  
  
  
  
def imagefound(all_text, imagelist, index):
  
  
  
  
 end = 0
  
  
  
  
 index += 2
  
  
  
  
 newimage = ''
  
  
  
  
 while end == 0:
  
  
  
  
 if (all_text[index] != '"'):
  
  
  
  
 newimage = newimage + all_text[index]
  
  
  
  
 index += 1
  
  
  
  
 else:
  
  
  
  
 newimage = newimage + '\n'
  
  
  
  
 imagelist.append(newimage)
  
  
  
  
 end = 1
  
  
  
  
 return
 
 
 
 

我們給函數發(fā)送當前索引，它代表著 =。 我們知道下一個字符將會是 "，所以我們跳過兩個字符，并開始向名為 newimage 的控制字符串添加字符，直到我們發(fā)現下一個 "，此時我們完成了一次匹配。 我們將字符串加一個換行符（\n）添加到列表 imagelist 中并返回（return），請記住，在剩余的這個 HTML 字符串中可能會有更多圖片標簽，所以我們馬上回到搜索循環(huán)中。

以下是我們的輸出現在的樣子：

 
 
 
 

  
  
  
  
images/text-frame-link.png
  
  
  
  
images/text-frame-unlink.png
  
  
  
  
images/gimpoptions1.png
  
  
  
  
images/gimpoptions3.png
  
  
  
  
images/gimpoptions2.png
  
  
  
  
images/fontpref3.png
  
  
  
  
images/font-subst.png
  
  
  
  
images/fontpref2.png
  
  
  
  
images/fontpref1.png
  
  
  
  
images/dtp-studio.png
 
 
 
 

啊，干凈多了，而這只花費幾秒鐘的時間。 我本可以將索引前移 7 步來剪切 images/ 部分，但我更愿意把這個部分保存下來，以確保我沒有剪切掉圖像文件名的***個字母，這很容易用 KWrite 編輯成功 —— 你甚至不需要正則表達式。 做完這些并保存文件后，下一步就是運行我編寫的另一個腳本 sortlist.py：

 
 
 
 

  
  
  
  
#!/usr/bin/env python
  
  
  
  
# -*- coding: utf-8 -*-
  
  
  
  
# sortlist.py
  
  
  
  
 
  
  
  
  
import os
  
  
  
  
 
  
  
  
  
imagelist = []
  
  
  
  
for line in open('/tmp/imagelist_parse4.txt').xreadlines():
  
  
  
  
 imagelist.append(line)
  
  
  
  
 
  
  
  
  
imagelist.sort()
  
  
  
  
 
  
  
  
  
outfile = open('/tmp/imagelist_parse4_sorted.txt', 'w')
  
  
  
  
outfile.writelines(imagelist)
  
  
  
  
outfile.close()
 
 
 
 

這會讀取文件內容，并存儲為列表，對其排序，然后另存為另一個文件。 之后，我可以做到以下幾點：

 
 
 
 

  
  
  
  
ls /home/gregp/development/Scribus15x/doc/en/images/*.png > '/tmp/actual_images.txt'
 
 
 
 

然后我需要在該文件上運行 sortlist.py，因為 ls 方法的排序與 Python 不同。 我原本可以在這些文件上運行比較腳本，但我更愿意以可視方式進行操作。 ***，我成功找到了 42 個圖像，這些圖像沒有來自文檔的 HTML 引用。

這是我的完整解析腳本：

 
 
 
 

  
  
  
  
#!/usr/bin/env python
  
  
  
  
# -*- coding: utf-8 -*-
  
  
  
  
# parseimg4.py
  
  
  
  
 
  
  
  
  
import os
  
  
  
  
 
  
  
  
  
def imagefound(all_text, imagelist, index):
  
  
  
  
 end = 0
  
  
  
  
 index += 2
  
  
  
  
 newimage = ''
  
  
  
  
 while end == 0:
  
  
  
  
 if (all_text[index] != '"'):
  
  
  
  
 newimage = newimage + all_text[index]
  
  
  
  
 index += 1
  
  
  
  
 else:
  
  
  
  
 newimage = newimage + '\n'
  
  
  
  
 imagelist.append(newimage)
  
  
  
  
 end = 1
  
  
  
  
 return
  
  
  
  
 
  
  
  
  
htmlnames = []
  
  
  
  
imagelist = []
  
  
  
  
tempstring = ''
  
  
  
  
filenames = os.listdir('/home/gregp/development/Scribus15x/doc/en/')
  
  
  
  
for name in filenames:
  
  
  
  
 if name.endswith('.html'):
  
  
  
  
 htmlnames.append(name)
  
  
  
  
#print htmlnames
  
  
  
  
for htmlfile in htmlnames:
  
  
  
  
 all_text = open('/home/gregp/development/Scribus15x/doc/en/' + htmlfile).read()
  
  
  
  
 linelength = len(all_text)
  
  
  
  
 index = 3
  
  
  
  
 while index < linelength:
  
  
  
  
 if (all_text[index] == '='):
  
  
  
  
 if (all_text[index-3] == 's') and (all_text[index-2] == 'r') and
  
  
  
  
(all_text[index-1] == 'c'):
  
  
  
  
 imagefound(all_text, imagelist, index)
  
  
  
  
 index += 1
  
  
  
  
 else:
  
  
  
  
 index += 1
  
  
  
  
 else:
  
  
  
  
 index += 1
  
  
  
  
 
  
  
  
  
outfile = open('/tmp/imagelist_parse4.txt', 'w')
  
  
  
  
outfile.writelines(imagelist)
  
  
  
  
outfile.close()
  
  
  
  
imageno = len(imagelist)
  
  
  
  
print str(imageno) + " images were found and saved"
 
 
 
 

腳本名稱為 parseimg4.py，這并不能真實反映我陸續(xù)編寫的腳本數量（包括微調的和大改的以及丟棄并重新開始寫的）。 請注意，我已經對這些目錄和文件名進行了硬編碼，但是很容易變得通用化，讓用戶輸入這些信息。 同樣，因為它們是工作腳本，所以我將輸出發(fā)送到 /tmp 目錄，所以一旦重新啟動系統(tǒng)，它們就會消失。

這不是故事的結尾，因為下一個問題是：僵尸 HTML 文件怎么辦？ 任何未使用的文件都可能會引用圖像，不能被前面的方法所找出。 我們有一個 menu.xml 文件作為聯機手冊的目錄，但我還需要考慮 TOC（LCTT 譯注：TOC 是 table of contents 的縮寫）中列出的某些文件可能引用了不在 TOC 中的文件，是的，我確實找到了一些這樣的文件。

***我可以說，這是一個比圖像搜索更簡單的任務，而且開發(fā)的過程對我有很大的幫助。