meilleure façon de convertir le fichier html dans un fichier xml en utilisant python

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"><html><head><META http-equiv="Content-Type" content="text/html; charset=utf-8"></head><body> 

    <div bgcolor="#48486c"> 

     <table width="720" border="0" cellspacing="0" cellpadding="0" align="center" background="http://title.jpg" height="130"> 

      <tr height="129"> 

       <td width="719" height="129"></td> 

       <td width="1" height="129"></td> 

      </tr> 

      <tr height="1"> 

       <td width="720" height="1"></td> 

       <td width="1" height="1"></td> 

      </tr> 

     </table> 

     <table width="720" border="0" cellspacing="0" cellpadding="0" align="center" height="203"> 

      <tr height="20"> 

       <td width="719" height="20"></td> 

       <td width="1" height="20"></td> 

      </tr> 

      <tr height="69"> 

       <td width="719" height="69" valign="top" align="left"> 

        <table width="719" border="1" cellspacing="2" cellpadding="0"> 

         <tr> 

          <td bgcolor="a5fdf8" width="390"><b>Stream Name</b></td> 

          <td bgcolor="a5fdf8" width="61"><b>Status</b></td> 

          <td bgcolor="a5fdf8" width="61"><b>Duration</b></td> 

          <td bgcolor="a5fdf8" width="185"><b>Start</b></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="390">c:\streams\ours\Sony_AVCHD_<WBR>Test_Discs_60Hz_00001.m2ts</td> 

          <td width="61"><font color="#D0D0D0">----</font></td> 

          <td width="61">00:00:02</td> 

          <td width="185">2010/06/15-15:06:17</td> 

         </tr> 

        </table> 

       </td> 

       <td width="1" height="69"></td> 

      </tr> 

      <tr height="113"> 

       <td width="720" height="113" colspan="2" valign="top" align="left"> 

        <table width="721" border="1" cellspacing="2" cellpadding="0"> 

         <tr bgcolor="a5fdf8"> 

          <td width="299"><b>Test Category</b></td> 

          <td width="61"><b>Error</b></td> 

          <td width="62"><b>Warning</b></td> 

          <td width="275"><b>Details</b></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#099eac">All Tests (Sony_AVCHD_Test_Discs_60Hz_<WBR>00001.m2ts)</font></td> 

          <td width="61"><font color="#ff0000">34787</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#800000"> ETSI TR-101-290 Tests</font></td> 

          <td width="61"><font color="#800000">No Lic</font></td> 

          <td width="61"><font color="#800000">No Lic</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#800000"> ISO/IEC Transport Stream Tests</font></td> 

          <td width="61"><font color="#800000">No Lic</font></td> 

          <td width="61"><font color="#800000">No Lic</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#800000"> System Data T-STD Tests</font></td> 

          <td width="61"><font color="#800000">No Lic</font></td> 

          <td width="61"><font color="#800000">No Lic</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#099eac"> Prog(1)</font></td> 

          <td width="61"><font color="#ff0000">34787</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#099eac"> VES(0xe0)</font></td> 

          <td width="61"><font color="#ff0000">34787</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#1010F0">  H.264/AVC Conformance</font></td> 

          <td width="61"><font color="#ff0000">34718</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="275"> 

           <a><font color="#ff0000">Sony_AVCHD_Test_Discs_60Hz_<WBR>00001.m2ts_Prog(1)_PID(0x1011)<WBR>_H264_Conf.txt</font></a><br> 

          </td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#101010">  Sequence</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#101010">  Picture</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#101010">  Slice</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#101010">  Macroblock</font></td> 

          <td width="61"><font color="#ff0000">34718</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#101010">  Block</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#1010F0">  HRD Tests</font></td> 

          <td width="61"><font color="#ff0000">69</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="275"> 

           <a><font color="#ff0000">Sony_AVCHD_Test_Discs_60Hz_<WBR>00001.m2ts_Prog(1)_PID(0x1011)<WBR>_H264_HRD.txt</font></a><br> 

          </td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#101010">  HRD level</font></td> 

          <td width="61"><font color="#ff0000">69</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#800000">  Video T-STD Tests</font></td> 

          <td width="61"><font color="#800000">No Lic</font></td> 

          <td width="61"><font color="#800000">No Lic</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#099eac"> AES(0xfd)</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="61"><font color="#000000">0</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#808080">  Audio Level Tests</font></td> 

          <td width="61"><font color="#808080">Disabled</font></td> 

          <td width="61"><font color="#808080">Disabled</font></td> 

          <td width="275"></td> 

         </tr> 

         <tr bgcolor="white"> 

          <td width="299"><font color="#800000">  Audio T-STD Tests</font></td> 

          <td width="61"><font color="#800000">No Lic</font></td> 

          <td width="61"><font color="#800000">No Lic</font></td> 

          <td width="275"></td> 

         </tr> 

        </table> 

       </td> 

      </tr> 

      <tr height="1"> 

       <td width="719" height="1"></td> 

       <td width="1" height="1"></td> 

      </tr> 

     </table> 

    </div> 



</body></html>

a une lib python pour le faire?

grâce

Source

2010-06-25 zjm1126

Quel type de fichier XML que vous voulez? Ce fichier est déjà juste un fichier de schéma loin d'être un XML parfaitement valide. –

tout est ok. – zjm1126

er, plus ou moins une balise non fermée ici et là :-) –

BeautifulSoup vous obtient presque tout le chemin:

>>> import BeautifulSoup 
>>> f = open('a.html') 
>>> soup = BeautifulSoup.BeautifulSoup(f) 
>>> f.close() 
>>> g = open('a.xml', 'w') 
>>> print >> g, soup.prettify() 
>>> g.close()

Cela ferme toutes les balises correctement. La seule question qui reste est que le doctype reste HTML - pour changer cela dans le doctype de votre choix, il vous suffit de changer la première ligne, ce qui est difficile, par exemple, au lieu d'imprimer le texte directement enjolivé,

>>> lines = soup.prettify().splitlines() 
>>> lines[0] = ('<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"' 
       '"http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">') 
>>> print >> g, '\n'.join(lines)

Source

2010-06-25 04:31:28

N'oubliez pas que les encodages d'entités seront toujours erronés. –

lxml fonctionne bien:

from lxml import html, etree 

doc = html.fromstring(open('a.html').read()) 
out = open('a.xhtml', 'wb') 
out.write(etree.tostring(doc))

Source

2010-06-25 04:41:46

il a beaucoup de fichiers, et je ne peux pas trouver la méthode etree à partir de lxml – zjm1126

lxml.etree est un module, lxml.etree.tostring est une fonction. Peut-être que vous avez un problème d'installation? –

meilleure façon de convertir le fichier html dans un fichier xml en utilisant python

Répondre

Questions connexes