Quero let um arquivo .html e criar um objeto json com certas divisões. Cada h1 até h6…
- User
Quero let um arquivo .html e criar um objeto json com certas divisões.
Cada h1 até h6 serão considerados seções do HTML. Onde a seção só termina quando o outro começar.
ALém disso, o conteúdo dessa seção tem esses tipos principais: Paragrafo, Listas, Imagens, Tabelas.
Não esqueça de mapear todas as alternativas possíveis desses conteúdos e fique seu critério de como organizar isso em um JSON. É de interesse de remontar o HTML, incluído o estilo dele.
Lembrasse, não terá css, somente atributos dentro das tags html.
O Código deve ser em Python
- Assistant
from bs4 import BeautifulSoup import json def html_to_json(html_file): """ Lê um arquivo HTML e cria um objeto JSON com seções baseadas em tags h1-h6. Args: html_file (str): O caminho para o arquivo HTML. Returns: str: Uma string JSON representando a estrutura do HTML. """ with open(html_file, 'r', encoding='utf-8') as f: soup = BeautifulSoup(f, 'html.parser') sections = [] current_section = None for tag in soup.find_all(['h1', 'h2', 'h3', 'h4', 'h5', 'h6']): if current_section: sections.append(current_section) current_section = { 'title': tag.text.strip(), 'level': int(tag.name[1]), # Extrai o nível do heading (1 para h1, 2 para h2, etc.) 'content': [] } if current_section: sections.append(current_section) # Preenche o conteúdo de cada seção for i, section in enumerate(sections): start_tag = soup.find_all(['h1', 'h2', 'h3', 'h4', 'h5', 'h6'])[i] end_tag = soup.find_all(['h1', 'h2', 'h3', 'h4', 'h5', 'h6'])[i+1] if i+1 < len(soup.find_all(['h1', 'h2', 'h3', 'h4', 'h5', 'h6'])) else None if end_tag: content_tags = start_tag.find_next_siblings(until=end_tag) else: content_tags = start_tag.find_next_siblings() for tag in content_tags: if tag.name == 'p': section['content'].append({ 'type': 'paragraph', 'text': tag.text.strip(), 'attributes': dict(tag.attrs) }) elif tag.name == 'ul' or tag.name == 'ol': items = [] for li in tag.find_all('li'): items.append(li.text.strip()) section['content'].append({ 'type': 'list', 'items': items, 'attributes': dict(tag.attrs) }) elif tag.name == 'img': section['content'].append({ 'type': 'image', 'src': tag.get('src', ''), 'alt': tag.get('alt', ''), 'attributes': dict(tag.attrs) }) elif tag.name == 'table': table_data = [] for row in tag.find_all('tr'): row_data = [] for cell in row.find_all(['td', 'th']): row_data.append(cell.text.strip()) table_data.append(row_data) section['content'].append({ 'type': 'table', 'data': table_data, 'attributes': dict(tag.attrs) }) else: # Adiciona outros tipos de tags conforme necessário section['content'].append({ 'type': 'other', 'tag': tag.name, 'text': tag.text.strip(), 'attributes': dict(tag.attrs) }) return json.dumps(sections, indent=4, ensure_ascii=False) # Exemplo de uso: html_file = 'exemplo.html' # Substitua pelo caminho do seu arquivo HTML json_output = html_to_json(html_file) print(json_output) # Para salvar em um arquivo JSON: with open('output.json', 'w', encoding='utf-8') as f: f.write(json_output)Explicação:
-
Importa as bibliotecas:
BeautifulSoup: Para analisar o HTML.json: Para trabalhar com JSON.
-
Função
html_to_json(html_file):- Abre o arquivo HTML no modo de leitura (
'r') com a codificação UTF-8 para suportar caracteres especiais. - Cria um objeto
BeautifulSouppara analisar o HTML. - Inicializa uma lista
sectionspara armazenar as seções do HTML. - Inicializa
current_sectioncomoNone.
- Abre o arquivo HTML no modo de leitura (
-
Itera sobre as tags de heading (h1-h6):
soup.find_all(['h1', 'h2', 'h3', 'h4', 'h5', 'h6']): Encontra todas as tags de heading no HTML.- Se
current_sectionnão forNone(ou seja, já existe uma seção em andamento), adiciona a seção atual à listasections. - Cria uma nova seção com o título extraído do texto da tag de heading e o nível do heading (1 para h1, 2 para h2, etc.).
-
Preenche o conteúdo de cada seção:
- Itera sobre as seções na lista
sections. start_tag: Encontra a tag de heading que inicia a seção.end_tag: Encontra a próxima tag de heading para determinar o final da seção. Se não houver uma próxima tag de heading, a seção se estende até o final do documento.content_tags: Encontra todas as tags entre a tag de início e a tag de fim da seção.- Itera sobre as tags de conteúdo:
- Parágrafos (
p): Extrai o texto e os atributos da tag. - Listas (
ul,ol): Extrai os itens da lista e os atributos da tag. - Imagens (
img): Extrai o atributosrc(caminho da imagem) e o atributoalt(texto alternativo) e os atributos da tag. - Tabelas (
table): Extrai os dados da tabela em uma lista de listas e os atributos da tag. - Outras tags: Adiciona um tipo genérico
otherpara tags não tratadas especificamente.
- Parágrafos (
- Itera sobre as seções na lista
-
Retorna o JSON:
json.dumps(sections, indent=4, ensure_ascii=False): Converte a lista de seções em uma string JSON formatada com indentação de 4 espaços e suporte a caracteres não ASCII.
Como usar:
- Salve o código: Salve o código Python em um arquivo, por exemplo,
html_to_json.py. - Crie um arquivo HTML: Crie um arquivo HTML de exemplo, por exemplo,
exemplo.html. - Execute o script: Execute o script Python a partir da linha de comando:
python html_to_json.py - Verifique a saída: O script imprimirá a string JSON no console e também salvará o JSON em um arquivo chamado
output.json.
Observações:
- Codificação: Certifique-se de que o arquivo HTML esteja salvo com a codificação UTF-8 para evitar problemas com caracteres especiais.
- Tratamento de erros: O código não inclui tratamento de erros. Você pode adicionar blocos
try...exceptpara lidar com possíveis erros, como arquivos não encontrados ou HTML malformado. - Personalização: Você pode personalizar o código para extrair outros tipos de conteúdo ou para organizar o JSON de forma diferente, conforme suas necessidades.
- Atributos: O código extrai todos os atributos das tags HTML e os inclui no JSON. Se você precisar de atributos específicos, pode modificar o código para extraí-los seletivamente.
- Estilo: O código não extrai estilos CSS, pois você especificou que não haverá CSS no HTML. Se houver estilos inline (atributos
stylenas tags HTML), eles serão incluídos nos atributos da tag. - Complexidade: Para HTMLs muito complexos, pode ser necessário ajustar o código para lidar com casos específicos e garantir que a estrutura do JSON seja precisa.
-
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.