将两个 HTML 文件合并为主 HTML 文件答案

【问题标题】：Merge two HTML files into master HTML file将两个 HTML 文件合并为主 HTML 文件
【发布时间】：2013-11-20 22:15:46
【问题描述】：

假设我有以下 HTML 文件：

html1.html

<html>
  <head>
    <link href="blah.css" rel="stylesheet" type="text/css" />
  </head>
  <body>
    <div>this here be a div, y'all</div>
  </body>
</html>

html2.html

<html>
  <head>
    <script src="blah.js"></script>
  </head>
  <body>
    <span>this here be a span, y'all</span>
  </body>
</html>

我想获取这两个文件并制作一个如下所示的主文件：

<html>
  <head>
    <link href="blah.css" rel="stylesheet" type="text/css" />
    <script src="blah.js"></script>
  </head>
  <body>
    <div>this here be a div, y'all</div>
    <span>this here be a span, y'all</span>
  </body>
</html>

这可以使用一个简单的 Linux 命令吗？我试过看join，但它看起来像在一个公共字段上加入，我不一定会有公共字段......我只需要基本添加差异，但也有主要结构仍然完好无损（我想这可以称为左连接？）。看起来cat 也不会起作用...因为它通过附加一个文件，然后是下一个文件等来合并。

如果没有简单的 Linux 命令，我的下一步是编写一个脚本，逐行比较这两个脚本，或者创建一个以某种方式引用这两个单独文件的主 HTML 文件。

【问题讨论】：

仅供参考，如果您只是将两个文件连接在一起，那么它们将在大多数浏览器中一个接一个地显示。或者，您可以创建一个“主”HTML 文件，它将在框架中加载这些文件中的每一个。
是的，但这不是我需要做的选择。

标签： html linux join merge

【解决方案1】：

使用pandoc 进行合并，例如当前目录下的所有html文件：

pandoc -s *.html -o output.html

【讨论】：

这样生成的文档中的html链接不起作用。

【解决方案2】：

您可以使用 html-merge 工具合并多个 HTML 文件，保留其内部超文本链接。它是一个 win32 程序，但您可以使用 Wine 在 linux 中运行它。下载页面：https://sourceforge.net/projects/htmlmg/files/

【讨论】：

我不得不将所有的源文件编码更改为 UTF-8，但在那之后它就很有吸引力了！谢谢！
在编码为中文“GB2312”时不起作用:(也没有源代码，所以无法更正。
程序的自述文件中列出了支持的编码。它们目前包括 ISO-8859-1/2/3、Windows-1250/1/2/3、UTF-16、UTF-16BE、UTF-8。一些 html 文件没有指定编码，并且包含默认不允许它们被视为 UTF-8 的字符。
添加对亚洲字符集的支持并非易事，因为程序使用自定义 HTML 解析器，输入文件可能有不同的编码。这意味着修复需要为 GB2312 添加您自己的转码例程和表格。此外，html-merge 始终输出 UTF-8，部分原因是同样需要为不同编码的输入选择一种通用编码。 UTF-16 会为欧洲语言生成更大的文件。

【解决方案3】：

您的示例文件是格式良好的 XHTML。优秀！这意味着您可以使用简单的 XSLT 脚本。见How to merge two XML files with XSLT

【讨论】：

这是什么诡计？我以前从未听说过 XSLT……很有趣。我将对此进行研究，如果我可以创建一个工作脚本，我会接受这个答案（除非有人提供了一个不错的 Linux 命令）。谢谢。
这只有在你所有的真实 HTML 文件也是格式良好的 XML 时才有效（即它们遵循 XML 的语法规则）。
我的 HTML 文件（我正在尝试合并）由另一个应用程序生成，但它们似乎格式正确。
有时可以用xmllint“修复”混乱的HTML
请您告诉我您是如何使用 XSLT 做到这一点的。能否分享一下你用来解决这个问题的脚本链接或方法。

【解决方案4】：

我发现不使用任何其他程序的最快方法是： cat html2.html >> html1.html 这会将 html2.html 添加到 html1.html 的末尾，或者如果您希望它们都在一个新文件中，您可以键入 cat html1.html >> html3.html && cat html2.html >> html3.html 进入终端。 >> 将文件中的代码附加到另一个代码中。

【讨论】：

【解决方案5】：

这是一个使用 Python 的 lxml 库的简单解决方案，尽管它只会复制所选 child::* 标记的 body 的子元素，而不是文本节点，这需要修改 child::node() 和一些额外的逻辑用于处理附加文本节点。

#!/usr/bin/python3
import sys, os
from lxml.html import tostring, parse

if len(sys.argv) < 2:
  print("Usage: merge.py [file1] ... [filen] [outfile]")

if os.path.isfile(sys.argv[-1]):
   if input('Override? (y/n) ' + sys.argv[-1]) != 'y':
      sys.exit(0)

def tostr(n):
  try:
    return tostring(n)
  except:
    return str(n)

tree = parse(sys.argv[1])
for f in sys.argv[2:-1]:
  print(f)
  tree2 = parse(f)
  for n in tree2.xpath('//head/child::*'):
     if all([tostr(n) != tostr(n2)\
        for n2 in tree2.xpath('//head/child::*')]):
       tree.xpath('//head')[0].append(n)
  for n in tree2.xpath('//body/child::*'):
     tree.xpath('//body')[0].append(n)

tree.write(sys.argv[-1])

将此保存到文件merge.py 并运行chmod +x merge.py。

Usage: merge.py [file1] ... [filen] [outfile]

如果失败，则一个或多个文件格式错误，需要手动修复或使用htmllint 或hxnormalize 修复。

【讨论】：