在python中混合HTML-Latex解析器

Question

我想解析混合了html和Latex表达式的文本（后者在[...]或（...）之间给出）。 即，输入是以下形式的表达式：

<p>text1 <ul><li> text2 \(x=1\) </li></ul> text2 \[y=0\]</p> text3 <code>z=e</code>

鉴于这种输入，我想翻译以下文本：text1，text2，text3，text4，使<code>...</code>之间的元素保持不变，\[...\]或\(...\)。

我正在考虑创建一个解析器，即一棵树，该树对应于给定输入的附加图像。

• 首先，我需要做所有的工作吗？

• 第二，我想知道是否应该从头开始编写所有代码，或者是否可以 一些HTML parser之类的库。

Answer 1

我在评论中描述了一种可能的算法实现方式：

data = '''<p>text1 <ul><li> text2 \(x=1\) </li></ul> text3 \[y=0\]</p> text4 <code>z=e</code>'''

from bs4 import BeautifulSoup
import re

s = re.sub(r'\\\[', r'<bracket1>', data)
s = re.sub(r'\\\]', r'</bracket1>', s)
s = re.sub(r'\\\(', r'<bracket2>', s)
s = re.sub(r'\\\)', r'</bracket2>', s)

soup = BeautifulSoup('<mydata>' + s + '</mydata>', 'html.parser')

for t in soup.select(':not(bracket1):not(bracket2):not(code)'):
    for txt in t.find_all(text=True, recursive=False):
        if txt.strip():
            txt.replace_with("I've changed {}".format(txt))

s = str(soup)
s = re.sub(r'<bracket1>', r'\\[', s)
s = re.sub(r'</bracket1>', r'\\]', s)
s = re.sub(r'<bracket2>', r'\\(', s)
s = re.sub(r'</bracket2>', r'\\)', s)

print('Old data:', data)
print('New data:', ''.join(str(t) for t in BeautifulSoup(s, 'html.parser').mydata.contents))

打印：

Old data: <p>text1 <ul><li> text2 \(x=1\) </li></ul> text3 \[y=0\]</p> text4 <code>z=e</code>
New data: <p>I've changed text1 <ul><li>I've changed  text2 \(x=1\) </li></ul>I've changed  text3 \[y=0\]</p>I've changed  text4 <code>z=e</code>