将HTML img标签转换为带有LaTeX标题的图形

Question

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texml生成tex文件.

目前,我提取每个帖子以及某些元数据(标题,出版日期,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,因此内容将作为普通LaTeX添加到树中.

我决定用pandoc在这种情况下,它已经转换大多数HTML标签的很好(a,strong,em...),我唯一的问题是它如何与图片交易.

我使用子进程与pandoc接口:

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.

我需要带有字幕的图像,如图

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

pandoc似乎将html img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}}

我确实偷看了源代码,它看起来img只被视为内联元素.(pandoc解析函数).我不知道Haskell所以这就是我有多远.

如果你将html转换为markdown,它会保留alt和title,结果类似于

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

使用markdown,您可以在生成的乳胶文档中包含内联图像或图形.如果您将此降价转换为乳胶,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先处理所有图像,其余的通过pandoc处理.

你们有没有想过如何(更好)处理imghtml 中的标签嵌入带有字幕的乳胶的数字环境中？

Answer 1

Pandoc 将仅包含图像的段落视为带有标题的图像。这些将被转换成带有标题的 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}

这可能对你有帮助。