使用 <title> 标签重命名 HTML 文件答案

【问题标题】：Renaming HTML files using <title> tags使用 <title> 标签重命名 HTML 文件
【发布时间】：2013-12-21 18:45:26
【问题描述】：

我对编程比较陌生。我有一个带有子文件夹的文件夹，其中包含数千个通常命名的 html 文件，即 1006.htm、1007.htm，我想使用文件中的标签重命名它们。

例如，如果文件 1006.htm 包含 Page Title ，我想将其重命名为 Page Title.htm。理想情况下，空格替换为破折号。

我一直在使用 bash 脚本在 shell 中工作，但没有运气。如何使用 bash 或 python 做到这一点？

这是我目前所拥有的......

#!/usr/bin/env bashFILES=/Users/Ben/unzipped/*
for f in $FILES
do
   if [ ${FILES: -4} == ".htm" ]
      then
    awk 'BEGIN{IGNORECASE=1;FS="<title>|</title>";RS=EOF} {print $2}' $FILES
   fi
done

我也试过

#!/usr/bin/env bash
for f in *.html;
   do
   title=$( grep -oP '(?<=<title>).*(?=<\/title>)' "$f" )
   mv -i "$f" "${title//[^a-zA-Z0-9\._\- ]}".html   
done

但是我从终端收到一个错误，说明如何使用 grep...

【问题讨论】：

所以我们到目前为止你做了什么。我认为 grep 类型的解决方案可能有效

标签： python html bash scrape renaming

【解决方案1】：

在你的 bash 脚本中使用 awk 而不是 grep，它应该可以工作：

#!/bin/bash   
for f in *.html;
   do
   title=$( awk 'BEGIN{IGNORECASE=1;FS="<title>|</title>";RS=EOF} {print $2}' "$f" )
   mv -i "$f" "${title//[^a-zA-Z0-9\._\- ]}".html   
done

不要忘记在第一行更改您的 bash 环境；）

编辑所有修改的完整答案

#!/bin/bash
for f in `find . -type f | grep \.html`
   do
   title=$( awk 'BEGIN{IGNORECASE=1;FS="<title>|</title>";RS=EOF} {print $2}' "$f" )
   mv -i "$f" "${title//[ ]/-}".html
done

【讨论】：

这很好用——知道如何将它应用于子目录中的所有文件吗？并在标签中有空格的地方添加一个“-”？
找到 . -类型 f | grep \.html 获取所有 html 文件
对于 '-' 替换，我建议你这样做： mv -i "$f" "${title//[ ]/-}".html
find . -type f | grep \.htm 打印出终端目录中的所有文件——但我如何将其传递给脚本的其余部分？
我已经用完整的脚本编辑了我的答案！下次请在开头提供所有详细信息。谢谢！

【解决方案2】：

您想使用 HTML 解析器（如lxml.html）来解析您的 HTML 文件。一旦你得到它，检索标题标签是一行（可能是page.get_element_by_id("title").text_content()）。

将其转换为文件名并重命名文档应该很简单。

【讨论】：

【解决方案3】：

这是我刚刚写的一个python脚本：

import os
import re

from lxml import etree


class MyClass(object):
    def __init__(self, dirname=''):
        self.dirname   = dirname
        self.exp_title = "<title>(.*)</title>"
        self.re_title  = re.compile(self.exp_title)

    def rename(self):
        for afile in os.listdir(self.dirname):
            if os.path.isfile(afile):
                originfile = os.path.join(self.dirname, afile)
                with open(originfile, 'rb') as fp:
                    contents = fp.read()
                try:
                    html  = etree.HTML(contents)
                    title = html.xpath("//title")[0].text
                except Exception as e:
                    try:
                        title = self.re_title.findall(contents)[0]
                    except Exception:
                        title = ''

                if title:
                    newfile = os.path.join(self.dirname, title)
                    os.rename(originfile, newfile)


>>> test = MyClass('/path/to/your/dir')
>>> test.rename()

【讨论】：