Чистка HTML созданного в MS Word

Чего-то на меня нашло... не то... Всем знакомо состояние души, когда пытаешься опубликовать в форме HTML что-то написанное в MS Word... При чем даже Save As Filtered HTML не помогает. Ну, не вмещается в душу вордописца, что можно и правда выкинуть такую ценную штуку как скажем

 <o:DocumentProperties>
  <o:Author>Eldar Musayev</o:Author>
  <o:Revision>4</o:Revision>
  <o:TotalTime>179</o:TotalTime>
  <o:Created>2008-06-03T05:31:00Z</o:Created>
  <o:LastSaved>2008-06-03T06:59:00Z</o:LastSaved>
  <o:Pages>1</o:Pages>
  <o:Words>1794</o:Words>
  <o:Characters>10226</o:Characters>
  <o:Company>Home</o:Company>
  <o:Lines>85</o:Lines>
  <o:Paragraphs>23</o:Paragraphs>
  <o:CharactersWithSpaces>11997</o:CharactersWithSpaces>
  <o:Version>11.9999</o:Version>
 </o:DocumentProperties>
 <o:OfficeDocumentSettings>
  <o:DoNotRelyOnCSS/>
  <o:DoNotOrganizeInFolder/>
 </o:OfficeDocumentSettings>
</xml><![endif]--><!--[if gte mso 9]><xml>

или там

<font size=5 color="#345a8a" face=Calibri><span lang=RU
style='font-size:16.0pt;mso-ansi-language:RU'>...<o:p></o:p></span></font> 

Поэтому приходится выкидывать ее самим. Вот, наконец, собрался с силами и накропал на питончике... всего 60 строк получилось, а HTML получается чистенький, аккуратный, просто прелесть... В общем, кому надо - пользуйтесь!

import sys
import HTMLParser

class HtmlCleaner(HTMLParser.HTMLParser):

 def __init__(self):
  self.stuff = ""
  self.sep = ""
  self.on = False
  HTMLParser.HTMLParser.reset(self)

 def checktag(self,tag):
  res = 0
  if tag=="p" or tag=="br" or tag=="hr" or tag=="b" or tag=="i" or tag=="h1" or tag=="h2" or tag=="h3":
   res = 1
  elif tag=="img" or tag=="a":
   res = 2
  return res

 def flushStuff(self):
  if not self=="":
   print self.stuff.lstrip()
   self.stuff = ""

 def getAttr(self,attrs,name):
  res = ""
  for attr in attrs:
   if (attr[0]==name):
    res = " " + name + "=\"" + attr[1] + "\""
  return res
 
 def handle_starttag(self,tag,attrs):
  if (tag=="body"):
   self.on = True
  if self.on:
   cl = self.checktag(tag)
   if cl==1:
    print "<" + tag + ">"
   elif cl==2:
    if tag=="a":
     self.flushStuff()
     print "<" + tag + self.getAttr(attrs,"href") + ">"
    elif tag=="img":
     self.flushStuff()
     print "<" + tag + self.getAttr(attrs,"src") + self.getAttr(attrs,"width") + self.getAttr(attrs,"height") + self.getAttr(attrs,"border") + "\">"

 def handle_endtag(self,tag):
  if self.on:
   cl = self.checktag(tag)
   if cl>0:
    self.flushStuff()
    print "</" + tag + ">"

 def handle_data(self,data):
  if self.on:
   data = data.replace("\r"," ").replace("\n"," ").replace("\t"," ")
   if data[0]==" ":
    self.stuff = self.stuff + " "
   self.stuff = self.stuff + data.strip()
   if data[len(data)-1:]==" ":
    self.stuff = self.stuff + " "
 

cleaner = HtmlCleaner()
doc = file(sys.argv[1],"r+")
for line in doc:
 line = line.replace("<![","<!--").replace("]>","-->")
 cleaner.feed(line)

doc.close()
 

 

***


blog comments powered by Disqus