Python: Adaugă în tagul html "meta description" primele 80 de cuvinte din secţiunea text

<!-- ARTICOL START -->

<p class="text_obisnuit2">Scopul lorem ipsum este de a crea un bloc de text cu aspect natural
(propoziție, paragraf, pagină) care nu distrage atenția de la aspect. O practică nu lipsită 
de controverse, aranjarea paginilor cu text de umplere fără sens poate fi foarte utilă atunci
când accentul este menit să fie pe design, nu pe conținut. Pasajul a cunoscut o creștere a 
popularității în anii 1960, când Letraset l-a folosit pe foile lor de transfer uscat și, din 
nou, în anii 90, când editorii desktop au inclus textul cu software-ul lor. Astăzi se vede 
peste tot pe web; pe șabloane, site-uri web și modele stoc. Utilizați generatorul nostru 
pentru a obține propriul dvs. sau citiți mai departe pentru istoria autorizată a lui lorem 
ipsum.</p>

<!-- ARTICOL FINAL -->

import requests
import re
import os

cale_folder_html = r"d:\\Folder1\\fisiere_html_modificate"
extension_file = ".html"

def read_text_from_file(file_path):
    """
    Aceasta functie returneaza continutul unui fisier.
    file_path: calea catre fisierul din care vrei sa citesti
    """
    with open(file_path, encoding='utf8') as f:
        text = f.read()
        return text


def write_to_file(text, file_path):
    """
    Aceasta functie scrie un text intr-un fisier.
    text: textul pe care vrei sa il scrii
    file_path: calea catre fisierul in care vrei sa scrii
    """
    with open(file_path, 'wb') as f:
        f.write(text.encode('utf8', 'ignore'))


print('Going through folder')
amount = 1

# prelucrare continut
dict_simboluri = dict()
dict_simboluri['ă'] = 'a'
dict_simboluri['â'] = 'a'
dict_simboluri['ã'] = 'a'
dict_simboluri['â'] = 'a'
dict_simboluri['ă'] = 'a'
dict_simboluri['â'] = 'a'
dict_simboluri['?'] = 'a'
dict_simboluri['?'] = 'a'
dict_simboluri['â'] = 'a'
dict_simboluri['a'] = 'a'
dict_simboluri['ã'] = 'a'
dict_simboluri['à'] = 'a'
dict_simboluri['á'] = 'a'
dict_simboluri['å'] = 'a'
dict_simboluri['ä'] = 'a'
dict_simboluri['â'] = 'a'

dict_simboluri['…'] = ''
dict_simboluri['…'] = ''
dict_simboluri['\"'] = ''
dict_simboluri['–'] = '- '
dict_simboluri['  '] = ' '
dict_simboluri['Â '] = ' '
dict_simboluri['Â '] = ' '
dict_simboluri['''] = '\''
dict_simboluri['"'] = '\''
dict_simboluri['"'] = '\''
dict_simboluri['['] = ''
dict_simboluri[']'] = ''
dict_simboluri['/'] = ''
dict_simboluri['}'] = ''
dict_simboluri['{'] = ''

dict_simboluri['î'] = 'i'
dict_simboluri['Î'] = 'i'
dict_simboluri['î'] = 'i'
dict_simboluri['î'] = 'i'
dict_simboluri['Î'] = 'i'
dict_simboluri['Î'] = 'i'
dict_simboluri['î'] = 'i'
dict_simboluri['Î'] = 'i'
dict_simboluri['?'] = 'i'
dict_simboluri['î'] = 'i'
dict_simboluri['Î'] = 'I'
dict_simboluri['I'] = 'I'
dict_simboluri['Ĩ'] = 'I'
dict_simboluri['Î'] = 'I'
dict_simboluri['Î'] = 'I'
dict_simboluri['i'] = 'i'
dict_simboluri['i'] = 'i'
dict_simboluri['í'] = 'i'
dict_simboluri['!'] = ' '
dict_simboluri['('] = '-'
dict_simboluri[')'] = ' '
dict_simboluri['  '] = ' '
dict_simboluri[',,'] = ' '
dict_simboluri['I'] = 'I'
dict_simboluri['é'] = 'e'
dict_simboluri['ê'] = 'e'
dict_simboluri['é'] = 'e'
dict_simboluri['a©'] = 'e'
dict_simboluri['è'] = 'e'
dict_simboluri['ë'] = 'e'
dict_simboluri['Ë'] = 'e'


dict_simboluri['ș'] = 's'
dict_simboluri['Ș'] = 's'
dict_simboluri['Ş'] = 's'
dict_simboluri['ș'] = 's'
dict_simboluri['ş'] = 's'
dict_simboluri['s'] = 's'
dict_simboluri['?'] = 's'
dict_simboluri['S'] = 'S'
dict_simboluri['?'] = 'S'
dict_simboluri['?'] = 'S'
dict_simboluri['š'] = 's'
dict_simboluri['s'] = 's'
dict_simboluri['?'] = 's'
dict_simboluri['?'] = 's'

dict_simboluri['"'] = ''
dict_simboluri['’'] = ''
dict_simboluri['”'] = ''
dict_simboluri['’'] = ''
dict_simboluri['„'] = ''
dict_simboluri['“'] = ''
dict_simboluri['„'] = ''
dict_simboluri['“'] = ''
dict_simboluri['”'] = ''
dict_simboluri['<'] = ''
dict_simboluri['<'] = ''
dict_simboluri['«'] = ''
dict_simboluri['»'] = ''
dict_simboluri['"'] = ''
dict_simboluri['"'] = ''
dict_simboluri['"'] = ''
dict_simboluri[':'] = ''
dict_simboluri['&'] = ''

dict_simboluri['ț'] = 't'
dict_simboluri['ţ'] = 't'
dict_simboluri['Ţ'] = 't'
dict_simboluri['ț'] = 't'
dict_simboluri['t'] = 't'
dict_simboluri['?'] = 't'
dict_simboluri['T'] = 'T'
dict_simboluri['?'] = 'T'
dict_simboluri['t'] = 't'
dict_simboluri['?'] = 't'

for filename in os.listdir(cale_folder_html):
        if filename == 'y_key_e479323ce281e459.html' or filename == 'directory.html':
            continue
        if filename.endswith('.html'):
            cale_fisier_html = cale_folder_html + "\\" + filename
            html_text = read_text_from_file(cale_fisier_html)
            articol_pattern = re.compile('<!-- ARTICOL START -->([\s\S]*?)<!-- ARTICOL FINAL -->[\s\S]*?')
            articol_text = re.findall(articol_pattern, html_text)

            if len(articol_text) > 0:
                articol_text = articol_text[0]
                meta_description = re.search('<meta name="description".+>', html_text)[0]
                initial_meta_description = re.search('<meta name="description" content="(.+)".*>', html_text)[1]
                para_pattern = re.compile('<p.+>(.*?)</p>')
                para = re.findall(para_pattern, articol_text)
                if len(para) > 0:
                    lista_cuvinte = list()
                    for txt in para:
                        for simbol in dict_simboluri.keys():
                            txt = txt.replace(simbol, dict_simboluri[simbol])
                        lista_cuvinte.extend(re.findall(r'[a-zA-Z\-\']+', txt))

                    content = " ".join(lista_cuvinte[:80])

                    new_meta_description = re.sub(r'content=".+"', f'content="{content}"', meta_description)
                    html_text = html_text.replace(meta_description, new_meta_description)

                    print(f'{filename} parsed ({amount})')
                    amount += 1
                    write_to_file(html_text, cale_fisier_html)

                else:
                    print("Nu am gasit tag-uri cu text_obisnuit2: ", filename)
                    continue
            else:
                print("Nu are ARTICOL START/FINAL: ", filename)
                continue
        else:
            continue