Neculai Fantanaru

Totul depinde de cine conduce

Python: Inlocuire diacritice din tagurile html

On Aprilie 23, 2022
, in
Python Scripts Examples by Neculai Fantanaru YYY

Puteţi vizualiza întregul cod aici: https://pastebin.com/1bfSidiL

Instalaţi Python.

Codul de mai jos va inlocui diacriticile.

Mai exact, caractere precum (Ă, ă, Î, î, Ș, ș, Ț, ț, Â, â) vor fi inlocuite cu (A, a, I, i, S, s, T, t, A, a) in tagurile <title></title> si <meta name="description" content="

import requests
import re
import os

cale_folder_html = r"d:\\Folder1"
extension_file = ".html" or ".htm"


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

for filename in os.listdir(cale_folder_html):
        if filename == 'y_key_e479323ce281e459.html' or filename == 'directory.html':
            continue
        if filename.endswith('.html') or filename.endswith('.htm'):
            cale_fisier_html = cale_folder_html + "\\" + filename
            html_text = read_text_from_file(cale_fisier_html)

            # preluam description
            meta_description = re.search('<meta name="description".+>', html_text)[0]
            description_pattern = re.compile('<meta name="description" content="(.*?)>')
            description = re.findall(description_pattern, html_text)

            if len(description) != 0:
                description = description[0]

                title_pattern = re.compile('<title>(.*?)</title>')
                title = re.search('<title>.+</title>', html_text)[0]
                title_text = re.findall(title_pattern, html_text)
                if len(title_text) != 0:
                    title_text = title_text[0]

                # prelucrare continut
                dict_simboluri = dict()
                dict_simboluri['&#259;'] = 'a'
                dict_simboluri['&#226;'] = 'a'
                dict_simboluri['&atilde;'] = 'a'
                dict_simboluri['&acirc;'] = 'a'
                dict_simboluri['&#x103;'] = 'a'
                dict_simboluri['&#xE2;'] = '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['&hellip;'] = ''
                dict_simboluri['&#8230;'] = ''
                dict_simboluri['\&quot;'] = ''
                dict_simboluri['&#8211;'] = '- '
                dict_simboluri['  '] = ' '
                dict_simboluri['Â '] = ' '
                dict_simboluri['Â '] = ' '
                dict_simboluri['&#039;'] = '\''
                dict_simboluri['"'] = '\''
                dict_simboluri['"'] = '\''
                dict_simboluri['['] = ''
                dict_simboluri[']'] = ''
                dict_simboluri['/'] = ''
                dict_simboluri['}'] = ''
                dict_simboluri['{'] = ''

                dict_simboluri['&icirc;'] = 'i'
                dict_simboluri['&#206;'] = 'i'
                dict_simboluri['&#238;'] = 'i'
                dict_simboluri['&#xEE;'] = 'i'
                dict_simboluri['&#xCE;'] = 'i'
                dict_simboluri['&#206;'] = 'i'
                dict_simboluri['&#xEE;'] = 'i'
                dict_simboluri['&#xCE;'] = 'i'
                dict_simboluri['?'] = 'i'
                dict_simboluri['î'] = 'i'
                dict_simboluri['&Icirc;'] = '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['&#537;'] = 's'
                dict_simboluri['&#536;'] = 's'
                dict_simboluri['&#350;'] = 's'
                dict_simboluri['&#x219;'] = 's'
                dict_simboluri['&#351;'] = '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['&quot;'] = ''
                dict_simboluri['&#8217;'] = ''
                dict_simboluri['&rdquo;'] = ''
                dict_simboluri['&rsquo;'] = ''
                dict_simboluri['&bdquo;'] = ''
                dict_simboluri['&ldquo;'] = ''
                dict_simboluri['&#8222;'] = ''
                dict_simboluri['&#8220;'] = ''
                dict_simboluri['&#8221;'] = ''
                dict_simboluri['&lt;'] = ''
                dict_simboluri['&lt;'] = ''
                dict_simboluri['«'] = ''
                dict_simboluri['»'] = ''
                dict_simboluri['"'] = ''
                dict_simboluri['"'] = ''
                dict_simboluri['"'] = ''
                dict_simboluri[':'] = ''
                dict_simboluri['&amp;'] = ''

                dict_simboluri['&#539;'] = 't'
                dict_simboluri['&#355;'] = 't'
                dict_simboluri['&#354;'] = 't'
                dict_simboluri['&#x21B;'] = 't'
                dict_simboluri['t'] = 't'
                dict_simboluri['?'] = 't'
                dict_simboluri['T'] = 'T'
                dict_simboluri['?'] = 'T'
                dict_simboluri['t'] = 't'
                dict_simboluri['?'] = 't'

                for simbol in dict_simboluri.keys():
                    description = description.replace(simbol, dict_simboluri[simbol])

                for simbol in dict_simboluri.keys():
                    title_text = title_text.replace(simbol, dict_simboluri[simbol])
                print(title_text)

                #meta_description = re.search('<meta name="description".+>', html_text)[0]
                new_meta_description = re.sub(r'content=".+"', f'content="{description}"', meta_description)
                new_title = re.sub(r'<title>.+</title>', f'<title>{title_text}</title>', title)
                html_text = html_text.replace(meta_description, new_meta_description)
                html_text = html_text.replace(title, new_title)

                print(f'{filename} parsed ({amount})')
                amount += 1
                write_to_file(html_text, cale_fisier_html)
            else:
                print("Text has no description")
        else:
            continue

That's all folks.

If you like my code, then make me a favor: translate your website into Romanian, "ro".

Also, you can see other Python Codes: VERSION 2 of this code. Or Version 3 OR Version 4 OR Version 5

Alatura-te Comunitatii Neculai Fantanaru
Cele 63 de calităţi ale liderului
Cele 63 de calităţi ale liderului

De ce să citeşti această carte? Pentru că este hotărâtoare pentru optimizarea performanţelor tale. Fiindcă pune accent mai mult pe latura umană decât pe conceptul de business, ceea ce permite cu uşurinţă citirea şi înţelegerea ei.

Leadership - Magia măiestriei
Leadership - Magia măiestriei

Trăsătura esenţială a acestei cărţi, faţă de altele existente pe piaţă din acelaşi domeniu, este aceea că descrie, prin exemple, competenţele ideale ale unui lider. N-am susţinut niciodată că eşte uşor să devii un lider foarte bun, dar dacă veţi urma pas cu pas...

Atingerea maestrului
Atingerea maestrului

Pentru unii lideri „a conduce” înseamnă mai mult a juca un joc de şah, un joc de inteligenţă şi perspicacitate; pentru alţii un joc de noroc, un joc pe care cred că-l pot câştiga mergând de fiecare dată la risc şi pariind totul pe o singură carte.

Leadership Puzzle
Leadership Puzzle

Am scris această carte, care combină într-un mod simplu dezvoltarea personală cu leadershipul, ca pe un joc de puzzle, unde trebuie să combinaţi toate piesele date pentru a reconstitui imaginea de ansamblu.

Performanţa în conducere
Leadership - Pe înţelesul tuturor

Scopul acestei cărţi este de a vă oferi cât mai multe informaţii preţioase prin exemple concrete, şi de a vă arăta o cale prin care să dobândiţi capacitatea de a-i determina pe ceilalţi să vadă lucrurile din aceeaşi perspectivă ca dumneavoastră.

Leadership - Pe înţelesul tuturor
Leadership - Pe înţelesul tuturor

Urmăresc în rândurile acestei cărţi să trezesc interesul omului obişnuit pentru acţiune şi succes. Mesajul acestui volum este că o naţiune puternică este format din oameni puternici şi de succes. Iar fiecare din noi are potenţial, deci succes…