5

我正在编写一个 python 脚本来解析 Wordpress Export XML (wp xml) 的内容以生成 LaTex 文档。到目前为止， wp xml 被解析lxml.etree，代码生成一个新的 xml 树，由texml处理，然后生成 tex 文件。

目前，我提取每个帖子以及某些元数据（标题、发布日期、标签、内容）。元数据没有问题，但内容部分有点问题。在 wp xml 中，内容作为 CDATA 结构包含在纯 HTML/Wordpress 标记中。要将其转换为乳胶，我选择pandoc来解析内容。TeXml 支持内联 LaTeX，因此内容作为纯 LaTeX 添加到树中。

我决定在这种情况下使用 pandoc，因为它已经很好地转换了大多数 html 标签（a, strong, em...），我唯一的问题是它如何处理图像。

我使用子进程与 pandoc 交互：

args = ['pandoc', '-f', 'html', '-t', 'latex']
p = Popen(args, stdout=PIPE, stdin=PIPE, stderr=PIPE)
tex_result = p.communicate(input=(my_html_string).encode('utf-8'))[0]

示例帖子可能如下所示

<strong>Lorem ipsum dolor</strong>  sit amet, consectetur adipiscing elit.

<a href="http://link_to_source_image.jpg"><img class="alignnone size-medium wp-image-id" title="Title_text" src="http://link_to_scaled_down_version.jpg" alt="Some alt text" width="262" height="300" /></a>

Nam nulla ante, vestibulum a euismod sed, accumsan at magna. Cras non augue risus, vitae gravida quam.

我需要带有嵌入标题的图像，例如

\begin{figure}
\includegraphics{link_to_image.jpg}
\label{fig:some_label}
\caption{Some alt text}
\end{figure}

pandoc 似乎将 htmlimg标签转换为简单的内联图像，丢弃任何标题或替代文本。

\href{http://link\_to\_source\_image.jpg}{\includegraphics{http://link_to_scaled_down_version.jpg}}

我确实窥视了源代码，它看起来img只被视为内联元素。（pandoc 解析函数）。我不知道 Haskell，所以这就是我走了多远。

但是，如果您将 html 转换为 markdown，它会保留 alt 和标题，结果类似于

![Some alt text](http://link_to_scaled_down_version.jpg "Title_text")

使用 Markdown，您可以在生成的 Latex 文档中包含内联图像或图形。如果将此降价转换为乳胶，则结果是

\begin{figure}[htbp]
\centering
\includegraphics{http://link_to_scaled_down_version.jpg}
\caption{Some alt text}
\end{figure}

第一个 pandoc 似乎是解析内容的简单解决方案，但我有点卡住，因为 pandoc 也不支持 html 中的内联乳胶，所以我可以首先通过 pandoc 处理所有图像和其余图​​像。

你们对如何（更好地）处理imghtml中的标签以嵌入到带有标题的乳胶中的图形环境中是否有任何想法？

4

1 回答 1

1

Pandoc 将仅包含图像的段落视为带有标题的图像。这些将变成带有标题的 LaTeX 图形。因此：

% pandoc -f html -t latex
<p><img src="myimg.jpg" alt="my text" title="my title"/></p>
^D
\begin{figure}[htbp]
\centering
\includegraphics{myimg.jpg}
\caption{my text}
\end{figure}

这可能会帮助你。

于 2012-12-31T22:14:46.173 回答