Remplacement des sélections de HTML via la ligne de commande

EDIT: Je sais comment faire ça. Je ne cherche pas de solution, je recherche un processus ou une recommandation de programme existant avant de prendre le temps d’écrire quelque chose moi-même dans un langage de script.

J’ai des fichiers HTML dans différents répertoires qui ont tous une structure similaire:

 ...  ...
 ...

Je voudrais remplacer par programmation des sections HTML par d’autres sections (par exemple, remplacer le bloc

par un autre bloc de nav [spécifié dans un fichier de mon choix]) pour tous les fichiers que je spécifie.

Je pense que la solution idéale serait une sorte d’outil utilisant lxml ou quelque chose de similaire en Python, mais s’il y avait un moyen facile de le faire avec des outils * nixy ou un programme existant pour le faire, je serais ravi de le faire au lieu de mettre en place un script.

Vous pourrez peut-être utiliser BeautifulSoup pour Python comme ça.

 import BeautifulSoup soup = BeautifulSoup.BeautifulSoup(htmldata) nav = soup.find("nav") nav.name = "new name"

Par exemple:

 import BeautifulSoup html_data = "Some text
" soup = BeautifulSoup.BeautifulSoup(html_data) nav = soup.find("nav") nav.name = "nav2"

Va changer:

vers

J’ai fini par écrire mon propre petit outil en ligne de commande pour faire ce que je voulais. Cela fonctionne assez bien pour mes cas d’utilisation, et j’ai l’intention de l’améliorer avec le temps. C’est sur GitHub: trufflepig .

J’espère que cela pourra être utile aux autres aussi.

N’utilisez pas l’expression rationnelle ou l’parsing syntaxique. Ceux-ci ne feront que blesser votre tête. Utilisez un parsingur.

En Ruby, j’utiliserais Nokogiri:

 require 'nokogiri' html = '   ...
 ...
   ' doc = Nokogiri::HTML(html) nav = doc.at('nav').content = "this is a new block" puts doc.to_html

Quelles sorties:

   this is a new block
...

Bien sûr, vous voulez remplacer "this is a new block" par quelque chose comme File.read('snippet.html') .

Si votre fichier de substitutions contient des extraits HTML au lieu du contenu de la nav , utilisez plutôt ceci:

 nav = doc.at('nav').replace('this is a new block
')

La sortie serait la même. (Et, encore une fois, utilisez File.read pour saisir cela dans un fichier si cela vous convient.)

Dans Nokogiri, at trouve la première instance de la balise spécifiée par un accesseur CSS ou XPath et renvoie le nœud. J’ai utilisé CSS ci-dessus, mais //nav aurait également fonctionné. at deviner le type d’accesseur. Vous pouvez utiliser at_css ou at_xpath si vous souhaitez être spécifique, car il est possible d’avoir des accesseurs ambigus. De plus, Nokogiri a une search , qui retourne un NodeSet, qui agit comme un tableau. Vous pouvez parcourir les résultats en faisant ce que vous voulez. Et, comme at , il existe des versions spécifiques à CSS et XPath, respectivement css et xpath .

Nokogiri a une interface CLI et, pour quelque chose d’aussi simple que cet exemple, cela fonctionnerait, mais je pourrais aussi le faire dans sed ou dans un one-liner Ruby / Perl / Python.

 curl -s http://nokogiri.org | nokogiri -e'p $_.css("h1").length'

HTML est rarement aussi simple que cela, en particulier tout ce qui se trouve dans les zones sauvages, et une solution CLI ou une solution à un trait se développera rapidement, ou mourra. Je dis que sur la base d’années d’écriture de nombreux araignées et agrégateurs RSS, ce qui est simple commence à devenir beaucoup plus complexe lorsque vous introduisez une source HTML ou supplémentaire, et cela ne devient jamais plus simple. L’utilisation des parsingurs m’a appris à y aller en premier.