1

pandoc akhlaq.docx -t html -o akhlaq.html

1
2
3
4
5
6

import os
import sys
import pandas as pd
from bs4 import BeautifulSoup
from pathlib import Path
import io

1
2
3
4
5

book_name = 'كتاب الزهد الكبير'
book_language = 'الفرنسية'
book_author = 'أبو بكر البيهقي'
file_no = "1"
book = "zohd"

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

# تحديد مسار الملف
path = rf'organized/books/{book}/{file_no}.html'

# تحليل ملف HTML باستخدام BeautifulSoup
with open(path, 'r', encoding='utf-8') as file:
    soup = BeautifulSoup(file, 'html.parser')

# استخراج رؤوس الجداول
try:
    table = soup.find("table")
    header = [th.get_text(strip=True) for th in table.find("tr").find_all("th")]
except AttributeError:
    raise ValueError("لم يتم العثور على الجدول أو العناوين في ملف HTML.")

# استخراج بيانات الصفوف
data = []
for row in table.find_all("tr")[1:]:  # تخطي صف العناوين
    row_data = [td.get_text(strip=True) for td in row.find_all("td")]
    data.append(row_data)

# تحويل البيانات إلى DataFrame في Pandas
dataFrame = pd.DataFrame(data=data, columns=header)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

# حذف الأعمدة غير الضرورية
df = dataFrame.drop(columns=[0, 2, 4])

# إعادة تسمية الأعمدة
df.rename(columns={3: 'Original', 1: 'Translation'}, inplace=True)

# تعريف الأنماط المطلوب استبدالها
patterns = [
    ('"', '\\"'),  # هروب علامات التنصيص
    ('“', '\\"'),   # هروب علامات الاقتباس اليسارية
    ('”', '\\"'),   # هروب علامات الاقتباس اليمنى
    (':', '\\"'),   # هروب النقطتين
    (r'\]', '\\"'), # هروب القوس المربع الأيمن
    (r'\[', '\\"'), # هروب القوس المربع الأيسر
    (r'\n', ' ')     # استبدال الأسطر الجديدة بمسافة
]

# تنظيف العمودين 'Original' و 'Translation'
for column in ['Original', 'Translation']:
    for pattern, replacement in patterns:
        df[column] = df[column].str.replace(pattern, replacement, regex=True)