поиск и замена: преобразовать квадратные скобки в теги XML

Question

Я постараюсь держать это коротко и точно.

Учитывая следующее

#!/usr/bin/python
from lxml import etree

root = etree.Element('root')
sect = etree.SubElement(root,'sect')
para = etree.SubElement(sect,'para')
para.text = 'this is a [b]long[/b] block of text. Much longer than this example makes it out to be.'

как мне лучше всего преобразовать вывод в то, что у меня ниже? обратите внимание, что [b] стало элементом <b>

<root> 
  <sect>
    <para>
       this is a <b>long</b> block of text. 
      Much longer than this example makes it out to be.
    </para>
  </sect>
</root>

Мой реальный ввод и xml значительно сложнее. Тем не менее, это суть этого. Я взял стандартно отформатированный текстовый документ и конвертирую его в xml. Структура документа довольно статична. Поэтому это не так безумно, как кажется. В настоящее время я разбил его на строки. Это актуально, потому что, проходя каждую строку, у меня нет проблем с идентификацией <sect> или <title>, но часто <para> будет иметь дополнительное форматирование в своей строке. В этом примере, [b], который должен быть преобразован еще раз. Как лучше всего это сделать?

Что нужно иметь в виду

1. авторы моих входных текстов не всегда последовательны. следовательно, было бы лучше разработать потерянное регулярное выражение, чтобы найти [b] WORD [/ b] или когда авторы ошибаются чем-то вроде [b [WORD [/ b]. моя текущая идея состоит в том, чтобы соответствовать что-то вроде [b или b]

2. В настоящее время я обрабатываю свой входной файл построчно. Я удалил все пустые строки. я должен рассмотреть обработку этого позже? У меня нет сильной цели, но я чувствую, что это может быть заключено в один цикл текста.

3. Это должно хорошо работать с lxml при выводе документа. например, см. редактирование ниже с моим комментарием к парсеру bbc

Я работал над этим большую часть дня и могу обсудить больше маршрутов, которые я выбрал. Я буду работать над этим в течение всего вечера, поэтому, если я буду сталкиваться с другими вещами, чтобы иметь в виду, я обновлю этот вопрос соответственно.

РЕДАКТИРОВАТЬ: Или моя проблема с парсером BBC

Пол задумчиво предложил postmarkup-1.1.4 , однако, как вы можете заметить, он плохо работает с lxml. преобразование элементов в сущности. Это была проблема, с которой я столкнулся сегодня днем, когда сделал это через поиск и замену. В конечном счете, это идеальное решение для sed. Как было указано. Однако я надеялся, что не стану конечным пользователем этого скрипта, и предпочел бы все, что содержится в одной команде.

>>> p.text = render_bbcode(p.text)
>>> p.text
'this is a <strong>long</strong> text string'
>>> etree.tostring(root)
'<root><p>this is a &lt;strong&gt;long&lt;/strong&gt; text string</p></root>'

если сделать это в обратном порядке, результат будет одинаково плохим

 >>> p.text
 'this is a [b]long[/b] text string
 >>> render_bbcode(etree.tostring(root))
 u'&lt;root&gt;&lt;p&gt;this is a <strong>long</strong> string&lt;/p&gt;&lt;/root&gt;'

Answer 1

Библиотека postmarkup кажется наиболее близкой к тому, что вы хотите сделать.

http://pypi.python.org/pypi/postmarkup/1.1.4

К сожалению, в последнее время он не получил большого развития, но я не вижу других библиотек, которые выглядят лучше.

Начиная с этого момента и модифицируя существующие элементы в соответствии с вашим синтаксисом, вероятно, быстрее, чем изобретать колесо синтаксического анализа с нуля.

Если это нехорошее направление, вы можете взглянуть на более низкоуровневый синтаксический анализ и синтаксический анализ, но он быстро усложнится до такой степени, что вам будет лучше с простыми повторяющимися регулярными выражениями и ручной коррекцией. Насколько большой твой корпус?

И последнее замечание: именно такие задачи были написаны для выполнения sed. Он может быть удивительно мощным, если вы хотите научиться им пользоваться. Если вам это пока не нравится, возможно, Python будет проще.