#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
WordPress 发布系统 - HTML 格式化模块
将解析后的内容转换为 WordPress 可用的 HTML 格式
"""
import os
import re
from modules.wp_logger import get_publish_logger, get_debug_logger
# 基础配置
BASE_DIR = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
class HTMLFormatter:
"""HTML 格式化器"""
def __init__(self):
self.pl = get_publish_logger()
self.dl = get_debug_logger()
def format_content(self, content_parts, uploaded_images=None):
"""
格式化内容为完整的 HTML
Args:
content_parts: 内容片段列表
uploaded_images: 已上传图片的列表，包含 url, index 等信息
Returns:
str: 完整的 HTML 内容
"""
self.dl.log_step("格式化 HTML 内容")
if not content_parts:
return ""
html_parts = []
for i, part in enumerate(content_parts):
# 如果是图片占位符，替换为实际图片 URL
if isinstance(part, dict) and part.get('type') == 'image_placeholder':
if uploaded_images:
img_index = part.get('index', 0)
if img_index <= len(uploaded_images):
img = uploaded_images[img_index - 1]
if 'url' in img:
html_parts.append(f'
')
continue
html_parts.append(part)
# 合并 HTML
full_html = '\n\n'.join(html_parts)
# 优化 HTML 结构
full_html = self._optimize_html(full_html)
self.dl.debug(f"HTML 内容长度：{len(full_html)} 字符")
return full_html
def format_text_content(self, text, images=None):
"""
格式化纯文本内容为 HTML
Args:
text: 文本内容
images: 图片列表
Returns:
str: HTML 内容
"""
self.dl.log_step("格式化文本内容")
if not text:
return ""
# 分割段落
paragraphs = self._split_paragraphs(text)
html_parts = []
for para in paragraphs:
para = para.strip()
if not para:
continue
# 检测是否为标题
if self._is_title(para):
html_parts.append(f'{self._escape_html(para)}
')
# 检测是否为列表
elif self._is_list(para):
html_parts.append(self._format_list(para))
# 普通段落
else:
html_parts.append(f'{self._format_text_styles(para)}
')
return '\n\n'.join(html_parts)
def generate_excerpt(self, content, max_length=200):
"""
生成文章摘要
Args:
content: HTML 内容
max_length: 最大长度
Returns:
str: 摘要
"""
# 移除 HTML 标签
text = re.sub(r'<[^>]+>', '', content)
# 截断
if len(text) > max_length:
text = text[:max_length] + '...'
return text.strip()
def extract_title_from_content(self, content):
"""
从内容中提取标题
Args:
content: 文本内容
Returns:
str: 标题
"""
lines = content.strip().split('\n')
# 查找第一个非空行
for line in lines:
line = line.strip()
if line:
# 如果很短，可能是标题
if len(line) < 50:
return line
# 否则取前 30 个字符
return line[:30]
return "无标题文章"
def _optimize_html(self, html):
"""优化 HTML 结构"""
# 移除多余的空行
html = re.sub(r'\n{3,}', '\n\n', html)
# 确保段落之间有空行
html = re.sub(r'\s*', '
\n\n', html)
# 移除空段落
html = re.sub(r'
\s*
', '', html)
return html
def _split_paragraphs(self, text):
"""分割段落"""
# 按双换行符分割
paragraphs = re.split(r'\n\n+', text)
# 也按单换行符分割（处理 Word 文档）
result = []
for para in paragraphs:
sub_paras = re.split(r'\n+', para.strip())
result.extend(sub_paras)
return result
def _is_title(self, text):
"""判断是否为标题"""
# 标题通常较短且没有标点
if len(text) > 60:
return False
# 检查是否以标题标记开头
if text.startswith('#'):
return True
# 检查是否没有句号
if not text.endswith(('。', '.', '！', '!', '？', '?')):
return True
return False
def _is_list(self, text):
"""判断是否为列表"""
text = text.strip()
# 检查项目符号
if text[0] in ['•', '-', '–', '—', '▪', '▸', '▹', '*']:
return True
# 检查编号
if re.match(r'^\d+[\.\、\)]', text):
return True
if re.match(r'^[a-zA-Z][\.\、\)]', text):
return True
return False
def _format_list(self, text):
"""格式化列表"""
lines = text.strip().split('\n')
items = []
for line in lines:
line = line.strip()
if not line:
continue
# 清理列表标记
clean_text = re.sub(r'^[•\-\–\—▪▸▹*]\s*', '', line)
clean_text = re.sub(r'^\d+[\.\、\)]\s*', '', clean_text)
clean_text = re.sub(r'^[a-zA-Z][\.\、\)]\s*', '', clean_text)
items.append(f'{self._format_text_styles(clean_text)}')
# 判断列表类型
is_ordered = bool(re.match(r'^\d+', lines[0])) if lines else False
list_tag = 'ol' if is_ordered else 'ul'
return f'<{list_tag}>\n{"".join(items)}\n'
def _format_text_styles(self, text):
"""格式化文本样式（加粗、斜体等）"""
# 处理 Markdown 风格的加粗
text = re.sub(r'\*\*(.+?)\*\*', r'\1', text)
text = re.sub(r'__(.+?)__', r'\1', text)
# 处理斜体
text = re.sub(r'\*(.+?)\*', r'\1', text)
text = re.sub(r'_(.+?)_', r'\1', text)
# 处理链接
text = re.sub(r'\[(.+?)\]\((.+?)\)', r'\1', text)
return self._escape_html(text)
def _escape_html(self, text):
"""转义 HTML 特殊字符（保留已处理的标签）"""
# 先保护已处理的 HTML 标签
protected = []
def protect(match):
protected.append(match.group(0))
return f'__PROTECTED_{len(protected)-1}__'
# 保护已有的 HTML 标签
text = re.sub(r'<(strong|em|a|li|ol|ul)[^>]*>.*?', protect, text)
text = re.sub(r'<(strong|em|a)[^>]*/>', protect, text)
# 转义其他特殊字符
text = text.replace('&', '&')
text = text.replace('<', '<')
text = text.replace('>', '>')
text = text.replace('"', '"')
# 恢复保护的标签
for i, tag in enumerate(protected):
text = text.replace(f'__PROTECTED_{i}__', tag)
return text
def create_formatter():
"""创建格式化器实例"""
return HTMLFormatter()
if __name__ == '__main__':
formatter = create_formatter()
# 测试
test_content = """# 这是一个标题
这是第一段内容。
- 列表项 1
- 列表项 2
- 列表项 3
这是第二段内容，包含 **加粗** 和 *斜体*。
1. 编号列表 1
2. 编号列表 2
"""
html = formatter.format_text_content(test_content)
print("格式化后的 HTML:")
print(html)