![如何使用 xstarlet 从 XHTML 中删除具有特定类的 div?](https://linux22.com/image/210726/%E5%A6%82%E4%BD%95%E4%BD%BF%E7%94%A8%20xstarlet%20%E4%BB%8E%20XHTML%20%E4%B8%AD%E5%88%A0%E9%99%A4%E5%85%B7%E6%9C%89%E7%89%B9%E5%AE%9A%E7%B1%BB%E7%9A%84%20div%EF%BC%9F.png)
我的子目录 (*) 中有数百个 .xhtml 文件,我想从中删除具有特定类的所有 DIV(以及这些 DIV 的全部内容 - 包括其他 div、span、图像和段落元素)。 DIV 可以在每个 .xhtml 文件内的任意深度出现零次、一次或多次。
我要删除的具体DIV是:
<div class="portlet solid author-note-portlet">.....</div>
使用xml_grep
perl 中的实用程序XML::树枝模块,我可以运行它xml_grep -v 'div[@class="portlet solid author-note-portlet"]' file*.xhtml
,它将从 .xhtml 文件中删除该 div 的所有实例,并在 stdout 上显示结果。正是我想要的,除了“显示在标准输出上”。
如果xml_grep
有某种就地编辑选项,那很好,我只是使用它......但它没有,所以我必须编写一个使用临时文件的包装器脚本或sponge
运行xml_grep 分别针对每个 .xhtml 文件,这会很慢而且乏味。或者我可以破解 xml_grep 的副本,以便它可以编辑其输入文件。
但我不想做这两件事,我想使用已经可以做到这一点的现有工具,我想使用xmlstarlet
- 它会更快,有就地编辑,而且我不必每个文件名运行一次。
问题是,无论我尝试什么(并且我已经尝试了数十种变体),我都无法找出正确的 xpath 规范来删除此类的 div。例如我尝试过:
xmlstarlet ed -d "div[@class='portlet solid author-note-portlet']" file.xhtml
和(具有不同的引用)
xmlstarlet ed -d 'div[@class="portlet solid author-note-portlet"]' file.xhtml
和
xmlstarlet ed -d '//html/body/div/div/div[@class="portlet solid author-note-portlet"]'
以及数十种其他变体。它们都没有导致 xhtml 输出发生任何变化。这时候我通常会放弃 xmlstarlet 并编写 perl 脚本,但这次我决心使用 xmlstarlet 来完成。
那么,为 xmlstarlet 指定这个 div 类的正确方法是什么?
顺便说一句,对于一个示例 .xhtml 文件(有这个 div 的两个实例,它们恰好处于相同的深度......这是相当典型的但不通用),xmlstarlet el -v
说:
$ xmlstarlet el -v OEBPS/file0007.xhtml | grep author-note-portlet
html/body/div/div[@class='portlet solid author-note-portlet']
html/body/div/div[@class='portlet solid author-note-portlet']
(*) 这并不重要,但这些 .xhtml 文件位于由同人小说票价插件口径- 它从各种小说网站上的书籍中下载所有章节,并将它们转换为 epub 文件(基本上是一个 zip 存档,包含 XHTML 和 CSS 文件,可能还有 jpeg 或 gif 文件,以及一堆元数据文件)。
<div class="portlet solid author-note-portlet">
被一个网站(Royal Road)使用,供作者在章节中添加注释。一些作者很少使用它,并插入有关章节或书籍的简短注释或有关随机内容的简短公告,可能还带有指向其订阅者页面的链接……好吧,没什么大不了的。
其他人用它来添加半页注释,并在开头添加指向他们其他 10 本书的链接每个并再次在每章末尾添加这些书籍的三页半链接(带有封面图像)。如果你在网站上以连载形式逐章阅读,这还算可以,但如果你把它当作一本书来阅读,那就不行了——每 6-10 个人就有 4 页的自我推销内容故事的页数过多且分散注意力。而且,顺便说一句,这在我的 10 英寸 Android 平板电脑上有 4 个“页面”,是我手机上的两倍多。
我可以轻松地添加display: none
到此类的 epub 样式表,但我想实际从 .xhtml 文件中删除 div。它们明显增加了 .epub 文件的大小。
(**) 使用 unzip 提取 .epub 的内容并随后重建它超出了此问题的范围,因此请不要因不相关的细节而分心。已经处理了。
示例 .xhtml 文件,编辑至最低限度(故事/章节/作者姓名匿名以保护“有罪:-):
<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1//EN"
"http://www.w3.org/TR/xhtml11/DTD/xhtml11.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<title>Chapter Five - Chapter Name</title>
<link href="stylesheet.css" type="text/css" rel="stylesheet"/>
<meta name="chapterurl" content="https://www.royalroad.com/fiction/URL"/>
<meta name="chapterorigtitle" content="Chapter Five - Chapter Name"/>
<meta name="chaptertoctitle" content="Chapter Five - Chapter Name"/>
<meta name="chaptertitle" content="Chapter Five - Chapter Name"/>
</head>
<body class="fff_chapter">
<h3 class="fff_chapter_title">Chapter Five - Chapter Name</h3>
<div class="chapter-inner chapter-content"><div class="portlet solid author-note-portlet">
<div class="portlet-title">
<div class="caption">
<i class="fa fa-sticky-note"></i>
<span class="caption-subject bold uppercase">A note from Author Name</span>
</div>
</div>
<div class="portlet-body author-note"><p><span>About a dozen or so p, span, img, and br tags here</span></p>
</div>
</div>
<p> story text here. a few hundreds p, br, etc tags
</p>
<div class="portlet solid author-note-portlet">
<div class="portlet-title">
<div class="caption">
<i class="fa fa-sticky-note"></i>
<span class="caption-subject bold uppercase">A note from Author Name</span>
</div>
</div>
<div class="portlet-body author-note"><p>several dozen more p, span, br, img, etc tags here</p>
</div>
</div>
</div>
</body>
</html>
答案1
正确的方法xmlstarlet
是
xmlstarlet ed --inplace -N xmlns="http://www.w3.org/1999/xhtml" \
--delete '//xmlns:div[@class="portlet solid author-note-portlet"]' file
或者,使用简短的选项,
xmlstarlet ed -L -N xmlns="http://www.w3.org/1999/xhtml" \
-d '//xmlns:div[@class="portlet solid author-note-portlet"]' file
由于文档使用默认名称空间,因此我们需要让xmlstarlet
所有节点都属于该名称空间,然后在 XPath 表达式中使用名称空间占位符作为节点名称的前缀。
根据文档,-N
必须是最后一个“全局选项”,即它必须位于-L
(另一个全局选项)之后。是-d
的“删除操作” xmlstarlet ed
,因此它不是全局选项之一。
XPath将递归地查找名称空间中//xmlns:div
调用的节点。div
xmlns
在这个问题中,除了不处理名称空间之外,您还指定了不足或过度指定了该名称空间。使用div
,与 相同/div
,将匹配根节点,并且//html/body/div/div/div
将匹配html/body/div/div
, 任何位置的直接子节点。
包装纸yq
(安德烈·基斯柳克)围绕JSON处理器jq
自带XML 解析器包装器称为xq
。你也可以使用它:
xq -x 'del(.. | .div? | select(."@class"? == "portlet solid author-note-portlet"))' file
-x
( )选项--xml-output
为您提供 XML 输出而不是 JSON 输出。xq
与-i
( ) 一起使用--in-place
将使其进行就地编辑。
此 XML 解析器不关心名称空间。
答案2
一个单独的注释是,鉴于您可以使用 实现所需的过滤xml_grep
,那么您解决问题的时间将比使用以下 bash 命令编写问题所需的时间少得多
mkdir temp
for file in <subdir>/*.xhtml; do
# Your magic xml_grep command
xml_grep -v 'div[@class="portlet solid author-note-portlet"]' "$file" > "temp/$file"
done
rm -r subdir
mv temp subdir
另一方面,学习使用其他工具也有好处和满足感。