Python: анализ Docx в Html со стилями обработки

import os
import re
import unidecode
from docx import Document
# Funcția pentru adăugarea conținutului la tag-ul meta
def add_content_to_meta(html_content, content_to_add):
   meta_pattern = r'<meta name="description" content="(.*?)">'
   match = re.search(meta_pattern, html_content)
   if match:
       old_meta_tag = match.group(0)
       new_content = re.sub(r'<em>(.*?)</em>', r'\1', content_to_add)  # Elimină tag-urile <em>
       new_meta_tag = f'<meta name="description" content="{new_content}">'
       updated_html_content = html_content.replace(old_meta_tag, new_meta_tag)
       return updated_html_content
   else:
       return html_content
# Funcția pentru conversia stilurilor paragrafelor din DOCX în HTML
def extract_data_from_docx(file_path):
   doc = Document(file_path)
   content = ""
   # Parcurge toate paragrafele din document și le adaugă la conținut
   for paragraph in doc.paragraphs:
       content += paragraph.text + "\n"
   # Utilizăm regex pentru a găsi titlurile și corpul fiecărui articol
   articles = re.split(r'^([A-Z][\w\s\-\(\)]+)$', content, flags=re.MULTILINE | re.DOTALL)
   articles = [article.strip() for article in articles if article.strip()]
   data = []
   # Iterăm prin lista de articole pentru a extrage titlul și corpul corespunzător
   for i in range(0, len(articles), 2):
       title = articles[i]
       body = articles[i + 1].strip().split("\n")
       data.append((title, body))
   return data
def convert_docx_to_html_style(para):
   result = ""
   if para.runs:
       contains_bold = any(run.bold for run in para.runs)
       contains_italic = any(run.italic for run in para.runs)
       contains_regular = any(not run.bold and not run.italic for run in para.runs)
       if contains_bold and contains_italic and contains_regular:
           # Cazul 4: Textul conține atât bold, cât și italic și text regulat
           html_para = '<p class="text_obisnuit">'
           is_bold = False
           is_italic = False
           for run in para.runs:
               if run.bold and not is_bold:
                   html_para += '<span class="text_obisnuit2">'
                   is_bold = True
               if run.italic and not is_italic:
                   html_para += '<em>'
                   is_italic = True
               elif not run.bold and is_bold:
                   html_para += '</span>'
                   is_bold = False
               elif not run.italic and is_italic:
                   html_para += '</em>'
                   is_italic = False
               html_para += run.text
           if is_bold:
               html_para += '</span>'
           if is_italic:
               html_para += '</em>'
           html_para += '</p>\n'
       elif contains_bold and contains_regular:
           # Cazul 3: Textul conține atât bold, cât și text regulat
           html_para = '<p class="text_obisnuit">'
           is_bold = False
           for run in para.runs:
               if run.bold and not is_bold:
                   html_para += '<span class="text_obisnuit2">'
                   is_bold = True
               elif not run.bold and is_bold:
                   html_para += '</span>'
                   is_bold = False
               html_para += run.text
           if is_bold:
               html_para += '</span>'
           html_para += '</p>\n'
       elif contains_bold:
           # Cazul 2: Textul conține doar bold
           html_para = '<p class="text_obisnuit2">'
           for run in para.runs:
               html_para += run.text
           html_para += '</p>\n'
       elif contains_italic:
           # Cazul 5: Textul conține doar italic
           html_para = '<p class="text_obisnuit">'
           is_italic = False
           for run in para.runs:
               if run.italic and not is_italic:
                   html_para += '<em>'
                   is_italic = True
               elif not run.italic and is_italic:
                   html_para += '</em>'
                   is_italic = False
               html_para += run.text
           if is_italic:
               html_para += '</em>'
           html_para += '</p>\n'
       else:
           # Cazul 1: Textul este regulat (fără bold sau italic)
           html_para = '<p class="text_obisnuit">'
           for run in para.runs:
               html_para += run.text
           html_para += '</p>\n'
       result += html_para
   return result
def generate_filename(title):
   # Îndepărtează spațiile și caracterele speciale din titlu
   title = title.strip()
   title = re.sub(r's|t', '', title)
   title = re.sub(r'[^a-zA-Z0-9\s]', '', title)
   # Transformă titlul în litere mici
   title = title.lower()
   title = title.replace(' ', '-')
   # Asigură că numele fișierului are o extensie .html
   filename = title + ".html"
   print("Filename:", filename)  # Afișează numele fișierului
   return filename
def update_and_save_html(title, body, template_path, output_directory):
   with open(template_path, "r", encoding="utf-8") as f:
       html_content = f.read()
   # Eliminarea sufixului "" din titlu
   title_without_suffix = title.replace("", "")
   # Înlocuirea titlului în tagul <h1> cu titlul fără sufix
   html_content = html_content.replace('<h1 class="den_articol" itemprop="name">XXX</h1>', f'<h1 class="den_articol" itemprop="name">{title_without_suffix}</h1>')
   # Înlocuirea titlului în conținutul HTML
   new_title = title + ""
   html_content = html_content.replace("XXX", new_title, 2)
   print("Titlul a fost înlocuit.")
   # Găsirea poziției de început și sfârșit a blocului YYY
   start_marker = "<!-- ARTICOL START -->"
   end_marker = "<!-- ARTICOL FINAL -->"
   start = html_content.find(start_marker)
   end = html_content.find(end_marker)
   if start != -1 and end != -1:
       # Înlocuirea blocului YYY cu conținutul articolului, respectând formatarea cerută
       article_content = ""
       first_sentence = True
       for line in body:
           line = line.strip()
           # Începe prima propoziție cu <p class="text_obisnuit2">
           if first_sentence:
               article_content += f'\n\t<p class="text_obisnuit2"><em>{line}</em></p>'
               first_sentence = False
           elif line.startswith("Leadership:"):
               article_content += f'\n\t<p class="text_obisnuit2">{line}</p>'
           else:
               article_content += f'\n\t<p class="text_obisnuit">{line}</p>'
       html_content = html_content[:start + len(start_marker)] + article_content + html_content[end:]
       print("Corpul articolului a fost înlocuit conform cerințelor.")
   # Integrarea stilurilor de paragrafe din DOCX în HTML
   doc = Document("bebe.docx")
   for para in doc.paragraphs:
       html_style = convert_docx_to_html_style(para)
       html_content = html_content.replace("<p class=\"text_obisnuit\">{}</p>".format(para.text), html_style)
   # Eliminarea caracterelor speciale folosind unidecode
   html_content = unidecode.unidecode(html_content)
   # Crearea numelui de fișier bazat pe titlu
   filename = generate_filename(title)
   # Înlocuirea "zzz.html" cu numele fișierului generat în fiecare fișier HTML
   html_content = html_content.replace("zzz.html", filename)
   # Salvarea modificărilor în UTF-8
   with open(os.path.join(output_directory, filename), "w", encoding="utf-8") as f:
       f.write(html_content)
   print(f"Fișierul a fost salvat ca {filename}")
# Extragem datele din bebe.docx
articles_data = extract_data_from_docx("bebe.docx")
# Specifică directorul în care dorești să salvezi fișierele HTML
output_directory = "output"
# Actualizăm și salvăm fiecare articol într-un fișier HTML separat
for title, body in articles_data:
   update_and_save_html(title, body, "index.html", output_directory)
# Deschide fișierul HTML pentru actualizare
   html_file_path = os.path.join(output_directory, generate_filename(title))
   with open(html_file_path, "r", encoding="utf-8") as html_file:
       html_content = html_file.read()
   # Colectează conținutul paragrafelor cu clasa "text_obisnuit2"
   content_to_add = ""
   paragraphs = re.findall(r'<p class="text_obisnuit2">(.*?)</p>', html_content)
   for paragraph in paragraphs:
       content_to_add += paragraph.strip() + ' '
   # Elimină tag-urile <em> din conținutul adăugat
   content_to_add_cleaned = re.sub(r'<em>(.*?)</em>', r'\1', content_to_add)
   # Adaugă conținutul curățat la tag-ul meta
   updated_html_content = add_content_to_meta(html_content, content_to_add_cleaned)
   # Actualizează fișierul HTML cu conținutul adăugat
   with open(html_file_path, "w", encoding="utf-8") as updated_html_file:
       updated_html_file.write(updated_html_content)
print("Conținutul a fost adăugat la tag-ul meta în fiecare fișier HTML, eliminând tag-urile <em>.")