Python3：如何根据'h'标记的级别将普通html转换为嵌套字典？

我有一个如下所示的html：

<h1>Sanctuary Verses</h1>
    <h2>Purpose and Importance of the Sanctuary</h2>
       <p>Ps 73:17\nUntil I went into the sanctuary of God; [then] understood I their end.</p>
       <p>...</p>
    <h2>Some other title</h2>
        <p>...</p>
         <h3>sub-sub-title</h3>
             <p>sub-sub-content</p>
    <h2>Some different title</h2>
        <p>...</p>...

---

我编写了一些变通代码，帮助我获得所需的输出。我想知道获得所需输出的最简单方法是什么

这是一种堆栈问题/图形问题。我们叫它树吧。（或文件或任何东西。）

我认为您的初始元组可以改进。（文本、深度、类型）

stack=[]
深度=0
破环_值=-1
当前={“标题”：“根”，“内容”：[]}
对于\u元组列表\u中的项：
如果项目[1]>深度：
#更深的
下一步={“标题”：项[0]，“内容”：[]
当前[“内容”]。追加（下一步）
stack.append（当前）
当前=下一个
深度=项目[1]
elif项目[1]项目[1]：
prev=stack.pop（）
深度=深度-1
当前={“标题”：项[0]，“内容”：[]}
堆栈[-1]。追加（当前）
深度=项目[1]
其他：
#相同深度
如果项目[2]==损坏的\u值：
# 元素被添加到当前级别。
当前['contents']。追加（项[0]）
其他：
#元素被添加到当前元素的父元素。
当前={“标题”：项[0]，“内容”：[]}
堆栈[-1][“内容”]。追加（当前）
破环值=项目[2]

这将创建一个任意深度图，假设深度增加1，但 可以减少任意数量

最好在字典中记录深度，以便一次可以移动多个深度。不只是“标题”和“内容”，而可能是“标题”、“深度”和“内容”

解释
堆栈跟踪打开的元素，我们当前的元素就是我们正在构建的元素

如果我们发现深度>大于当前深度，那么我们将当前元素放在堆栈上（它仍然打开），并开始处理下一级元素

如果深度小于当前元素，我们将关闭当前元素和父元素，使其达到相同的深度

---

最后，如果深度相同，我们将确定它是刚刚添加的“p”元素，还是关闭电流并启动新电流的另一个“h”。

您可以将递归与

itertools一起使用。groupby

：

import itertools as it, re
def to_tree(d):
  v, r = [list(b) for _, b in it.groupby(d, key=lambda x:not x[0])], []
  for i in v:
    if r and isinstance(r[-1], dict) and not r[-1]['content']:
      r[-1]['content'] = to_tree([(j[4:], k) for j, k in i])
    else:
      for _, k in i:
        r.append(re.sub('</*\w+\>', '', k) if not re.findall('^\<h', k) else {'title':re.sub('</*\w+\>', '', k), 'content':[]})
  return r

输出：

{
   "title": "Sanctuary Verses",
   "content": [
    {
        "title": "Purpose and Importance of the Sanctuary",
        "content": [
            "Ps 73:17 Until I went into the sanctuary of God; [then] understood I their end.",
            "..."
        ]
    },
    {
        "title": "Some other title",
        "content": [
            "...",
            {
                "title": "sub-sub-title",
                "content": [
                    "sub-sub-content"
                ]
            }
        ]
    },
      {
         "title": "Some different title",
         "content": [
            "..."
         ]
      }
   ] 
} 

---

您期望的输出是什么。我们是在基于html标记的递归字典中编写字典吗？像

versesDict={'圣所的诗篇'：{'圣所的目的和重要性'：'>诗73:17\n直到我进入上帝的圣所；[那时]我才明白他们的目的。}

@SamuelMiddendorp我已经添加了想要的输出为什么你决定“目的…”作为h2而“目的…”作为p？他们都有（2,2），所以他们应该是兄弟姐妹，对吗？h2是html中的标题标记，对吗？数据应该是嵌套的。但出于展示的目的，它被制作成了兄弟姐妹。我需要嵌套数据，因此question@OneFace需要考虑的是，字典由键和值组成。每当你想提取一个值，你必须查询这个键。在我看来，如果关键字是文档的标题，而值是文档的子项，那么字典的功能会更好。H1为母体，其内容物为H2的内部。这样，如果你想查询所有subversis（我可能在这里删掉了一些术语，对此很抱歉），你可以只做

print（versesDict['saccession Verses']）

prev=stack.pop（）

这不会删除

堆栈的最后一个元素而不是关闭它吗？@OneFace这就是我关闭它的意思。堆栈按深度对所有打开的元素进行排序。因此，如果我们的深度当前为3，下一个元素为2，我们需要删除堆栈中的最后一个元素，可能是深度2，它“关闭”了它，因为它不再在我们的打开项列表中。有几个错误：
current.append（i[0]）
必须更改为
current['contents'].append（i[0]）
。我必须使用它来理解
堆栈中有不止一个元素，这就是您保持它打开的方式。但这是一段很棒的代码！非常感谢。
import itertools as it, re
def to_tree(d):
  v, r = [list(b) for _, b in it.groupby(d, key=lambda x:not x[0])], []
  for i in v:
    if r and isinstance(r[-1], dict) and not r[-1]['content']:
      r[-1]['content'] = to_tree([(j[4:], k) for j, k in i])
    else:
      for _, k in i:
        r.append(re.sub('</*\w+\>', '', k) if not re.findall('^\<h', k) else {'title':re.sub('</*\w+\>', '', k), 'content':[]})
  return r

import json
result = to_tree([((lambda x:'' if not x else x[0])(re.findall('^\s+', i)), re.sub('^\s+', '', i)) for i in filter(None, html.split('\n'))])
print(json.dumps(result[0], indent=4))

{
   "title": "Sanctuary Verses",
   "content": [
    {
        "title": "Purpose and Importance of the Sanctuary",
        "content": [
            "Ps 73:17 Until I went into the sanctuary of God; [then] understood I their end.",
            "..."
        ]
    },
    {
        "title": "Some other title",
        "content": [
            "...",
            {
                "title": "sub-sub-title",
                "content": [
                    "sub-sub-content"
                ]
            }
        ]
    },
      {
         "title": "Some different title",
         "content": [
            "..."
         ]
      }
   ] 
}