【放弃】80元求修改xhtml之二

lxh623

http://www.bathome.net/thread-65828-1-1.html
修改一下。直接的办法可能不行。
我这里有两个文件夹。一个是“梵文”，一个是“epub解包后”。后者包含许多文件夹。前者里面是几百个文件，比如，F28n1071_005.xhtml 。它的"text_3">(.{1})提取汉字，写入文本F28n1071_005.txt。而对应有个“J:\大藏经修改\epub解包后\F1071 釋教最上乘秘密藏陀羅尼集\OEBPS\juans”，里面一定有005.xhtml，它的"text_3">后面有可能是多个汉字（1-7个，参考上传的同音字txt），而且总数多半少一些。我想，按照F28n1071_005.txt的顺序修改005.xhtml，留下一个汉字。修改的行，文本F28n1071_005.txt留下空行。没有的就原位留下。
主要是解决同音字的问题（相同罗马字标注），同时有助于手动找出没有标注"text_3"的罗马字。

感觉复杂，但是，也许能够做到吧。
谢谢！

newswan

回复 1# lxh623

function getDic() {
	param(
		[string]$filename
	)
	$f1 = Get-Content -Encoding UTF8 ( $filename + ".xhtml" )
	$f2 = $f1 -join "`n"
	$f3 = $f2 -replace '(<span class="text_3">[^<>]+</span><span class="text_1">[(][^()]+[)]</span>)',"`n`$1`n" -split "`n"
	$f4 = $f3 -match "text_3"
	$f5 = $f4 -replace "<[^<>]+>",""
	$f5 | Out-File -Encoding utf8 ( $filename + ".txt" )
}

getDic ".\juans\F28n1071_005"
getDic ".\juans\005"
复制代码

提取 text_3 text_1 里的字符
怎么替换 005 没明白

lxh623

回复 2# newswan
没有明白，怎么有批处理？
谢谢！

如果手工修改，我的意思是提取文字。然后，五个一组去对001.xhtml。多个汉字那种，删除多余的汉字。
比如，F28n1071_003。
提取"text_3">(.{1})，也就是代码后面一个汉字，到文本F28n1071_003。
打开“J:\大藏经修改\epub解包后\F1071 釋教最上乘秘密藏陀羅尼集\OEBPS\juans”的003.xhtml，提取"text_3">(.{1,7})</span>，也就是中间的几个汉字，到文本003 。
第一个文本前面五行是：
吐
蒤
湀
夸
叻
第二个文本前面五行是：
吐
由蒤
湀
夸慔
叻粺
对应的行都包含，那么，到003.xhtml把第二个<span class="text_3">由蒤</span>换成<span class="text_3">蒤</span>。
第四第五类似。
但是，第二个文本会少一些，因为特征字符串不足，梵文没有替换完全，希望检查之后手动添加。

newswan

用 xx_00x 里的

<span class="text_3">[^<>]+</span>
复制代码

替换
00x 里的

<span class="text_3">[^<>]+</span>
复制代码

按顺序，5个一组

zaqmlp

<# :
cls&echo off&cd /d "%~dp0"&mode con lines=5000&rem bat存为ANSI/GB2312编码
path %SYSTEMROOT%\System32\WindowsPowerShell\v1.0;%path%
powershell -NoProfile -ExecutionPolicy bypass "Get-Content -literal \"%~f0\"|Out-String|Invoke-Expression"
pause
exit
#>
$folder1="D:\大藏经修改\梵文";
$folder2="D:\大藏经修改\epub解包后\F1071 釋教最上乘秘密藏陀羅尼集\OEBPS\juans";
if(-not (test-path -literal $folder1)){write-host ('"'+$folder1+'" path error or not exist');exit;}
if(-not (test-path -literal $folder2)){write-host ('"'+$folder2+'" path error or not exist');exit;}
$enc=New-Object System.Text.UTF8Encoding $False;
$files=@(dir -literal $folder1|?{('.xhtml' -eq $_.Extension) -and ($_ -is [System.IO.FileInfo])});
if($files.length -ge 1){
    for($i=0;$i -lt $files.length;$i++){
        write-host $files[$i].FullName -ForegroundColor yellow;
        $arr=New-Object -TypeName System.Collections.ArrayList;
        $text1=[IO.File]::ReadAllText($files[$i].FullName, $enc);
        $m1=[regex]::matches($text1, 'class="text_3">([^<]+)');
        $m2=[regex]::match($files[$i].Name, '(?i)_([0-9]+\.xhtml)$');
        if($m2.Success){
            $juansfile=$folder2.trimend('\')+'\'+$m2.groups[1].value;
            if(test-path -literal $juansfile){
                write-host $juansfile -ForegroundColor yellow;
                $global:n=0
                $text2=[IO.File]::ReadAllText($juansfile, $enc);
                $text2=[regex]::replace($text2, 'class="text_3">([^<]+)', {
                    param($m3);
                    $str=$m3.groups[0].value;
                    if($global:n -lt $m1.count){
                        if($m3.groups[1].value.Contains($m1[$global:n].groups[1].value)){
                            $str=$m1[$global:n].groups[0].value;
                            [void]$arr.add('');
                            write-host ($m1[$global:n].groups[1].value+' --> '+$m3.groups[1].value);
                        }else{
                           [void]$arr.add($m1[$global:n].groups[1].value); 
                        }
                    }
                    $global:n++;
                    return $str;
                });
                [IO.File]::WriteAllText($juansfile, $text2, $enc);
            }else{write-host ('"'+$juansfile+'" not exist');}
        }
        for($j=$global:n;$j -lt $m1.count;$j++){
            [void]$arr.add($m1[$j].groups[1].value); 
        }
        $outfile=$folder1.trimend('\')+'\'+$files[$i].BaseName+'.txt';
        [IO.File]::WriteAllLines($outfile, $arr, $enc);
        write-host '';
    }
}else{write-host ('no xhtmlfile in "'+$folder1+'"');}
复制代码

lxh623

zaqmlp 发表于 2023-4-19 13:38

我上传文件夹名和文件名的两个文件。能不能完善一点点。谢谢！

zaqmlp

回复 6# lxh623


不清楚你的实际目录结构是怎样，你原来网盘上传的跟现在说明的完全不符，你要么就按我写的目录结构，要么就重新整理打包上传

lxh623

回复 7# zaqmlp
梵文文件夹，和解包后的压缩文件，已经上传。谢谢！

zaqmlp

回复 8# lxh623


    怎么知道“梵文”文件夹里哪些xhtml是跟“F1071 釋教最上乘秘密藏陀羅尼集\OEBPS\juans”里的xhtml对应呀？！需求要说清楚，而不是让人来猜

newswan

"\梵文\${key}_00x.xhtml" "\${epub解包}\juans\00x.xhtml" 两个文件夹里面的文件怎么对应的？

比如 "\梵文\F28n1071_003.xhtml" 和 哪个 "\${epub解包}\juans\003.xhtml" 对应的？
${epub解包} 的实际名字是 "F1071 釋教最上乘秘密藏陀羅尼集" ，怎么和 F28n1071 对应上？

要么把对应的文件放一起，打包

而且，2楼对应两个文件，过滤后，行数不同

lxh623

回复 9# zaqmlp
四位数确定的。前面两个是序号。就是B07n0023_003等等，第二位到第四位可以删除，B0023_003。或者我事先重新命名。
谢谢！

zaqmlp

回复 11# lxh623

还是没说清楚，比如T18n0894_001.xhtml、T18n0894a_001.xhtml、T18n0894b_001.xhtml，都是对应同一个“T0894 xxxxx”文件夹下OEBPS\juans里的001.xhtml吗?!

lxh623

T18n0894_001.xhtml没有这个。我不是上传了吗。
麻烦了。
文件名我全部重新修改了。

B0023_003.xhtml
D9025_001.xhtml
D9025_003.xhtml
F1071_001.xhtml
复制代码

lxh623

试了一下，好像没有达成目的。
例如，F1071_003.txt第14行，003.txt里面没有，就用F1071_003.txt第15行的字到003.txt第14行匹配，如果相同，就跳过；如果有多个汉字而且包含这个汉字，就继续修改003.xhtml。
能不能把两个文本的行和xhtml对应的"text_3">(.{1,7})</span>，虚拟编号？每一次增加一个序号。

另外一个思路。
修改多个汉字为一个。
F1071_003.xhtml提取"text_3">(.{1})</span>到F1071_003.txt。003.xhtml提取"text_3">(.{2,7})</span>到003.txt，003.txt删除重复行。

我在EmEditor用 [仕狿箘]筛选F1071_003.txt，只有一个汉字。那么，003.xhtml中全部"text_3">仕狿箘改为"text_3">仕。
但是，这一步怎么用批处理做到。是用003.txt同一行的2-7个汉字一个一个去搜索F1071_003.txt，如果搜索到只有一个相同的汉字，那么就这样修改。如果一个文档有两个不同汉字的结果，暂时不修改。最后，删除003.txt。

lxh623

一直没有答案，请允许我重新描述一下问题。
这里有两个文件夹。一个是“梵文”，一个是“epub解包后”。后者包含许多文件夹。前者里面是几百个文件，文件名如13楼。符号_前面的字符，是在“epub解包后”里面的子文件夹的名称前面的字符。
首先，从“梵文”中的文件提取字符，比如从B0023_003.xhtml中，提取<span class="text_3">(.{1,2})</span><span class="text_1">\((.{1,9})\)</span>，得到\1\t\2，写入文本B0023_003.txt。删除重复行。
然后到epub解包后\B0023 金剛般若波羅蜜經講義\OEBPS\juans中的003.xhtml中提取<span class="text_3">(.{2,7})</span><span class="text_1">\((.{1,9})\)</span>，得到\1\t\2，写入文本003.txt。删除重复行。
B0023_003.xhtml和相应子文件夹的003.xhtml是唯一的对应文件。
然后，B0023_003.txt和003.txt的每一行可以分别定义为^(.*)\t(.*)$。003.txt的\t后面部分（即\2）如果在B0023_003.txt是唯一的【严格意义上，\t\2$去搜索B0023_003.txt】，就在003.xhtml中，用B0023_003.txt这一行\t前面部分替换003.txt的\t前面部分。
如果不是唯一，就跳过。
谢谢！