基于DIV中H1内容批量重命名HTML文件的Python技术求助

我来帮你梳理下代码里的问题，然后给出完善的实现方案：

你的代码主要存在这几个问题： #

• 文件路径错误：os.rename(filename, ...)里的filename只是文件名，不是完整路径，Python会在当前工作目录寻找文件，而非你指定的目标目录，所以会失败。
• 缺少标签查找的精准性：直接用soup.find(itemprop='headline')可能匹配到页面其他位置的标签，没有按照你要求的<div id="page_header">下的H1>Span层级查找。
• 无容错处理：如果某个HTML文件里没有目标标签、文件读取失败，或者提取的标题包含非法字符，脚本会直接崩溃。
• 未处理重复文件名：多个文件提取出相同标题时，重命名会覆盖或报错。

修复后的完整代码 #

import os
from bs4 import BeautifulSoup

def sanitize_filename(filename):
    # 替换Windows系统不允许的文件名特殊字符
    invalid_chars = '<>:"/\\|?*'
    for char in invalid_chars:
        filename = filename.replace(char, '')
    # 去除首尾空白字符，避免文件名前后出现空格
    return filename.strip()

# 目标文件夹路径，用r前缀避免转义问题
directory = r'C:/Research syntheses - Meta analysis/SeekingAlpha/test/'

# 使用os.scandir遍历，比os.listdir更高效，还能直接判断是否为文件
with os.scandir(directory) as entries:
    for entry in entries:
        # 只处理.html后缀的文件
        if entry.is_file() and entry.name.endswith('.html'):
            old_file_path = entry.path
            try:
                # 用utf-8编码打开文件，避免中文乱码
                with open(old_file_path, 'r', encoding='utf-8') as f:
                    soup = BeautifulSoup(f.read(), 'html.parser')
                    
                    # 严格按照你指定的层级查找标签：先找page_header的div，再找里面的H1，最后找带itemprop的span
                    page_header_div = soup.find('div', id='page_header', class_='page_header_email_alerts')
                    if not page_header_div:
                        print(f"⚠️ 未找到指定的page_header标签，跳过文件：{entry.name}")
                        continue
                    
                    target_h1 = page_header_div.find('h1')
                    if not target_h1:
                        print(f"⚠️ page_header下未找到H1标签，跳过文件：{entry.name}")
                        continue
                    
                    headline_span = target_h1.find('span', itemprop='headline')
                    if not headline_span:
                        print(f"⚠️ H1下未找到带itemprop='headline'的span标签，跳过文件：{entry.name}")
                        continue
                    
                    # 提取并清理标题文本（去除多余空格换行）
                    headline_text = headline_span.get_text(strip=True)
                    if not headline_text:
                        print(f"⚠️ 提取的标题为空，跳过文件：{entry.name}")
                        continue
                    
                    # 处理标题为合法文件名
                    clean_headline = sanitize_filename(headline_text)
                    new_file_name = f"{clean_headline}.html"
                    new_file_path = os.path.join(directory, new_file_name)
                    
                    # 处理重复文件名：如果已存在，自动添加序号
                    counter = 1
                    while os.path.exists(new_file_path):
                        new_file_name = f"{clean_headline}({counter}).html"
                        new_file_path = os.path.join(directory, new_file_name)
                        counter += 1
                    
                    # 执行重命名操作
                    os.rename(old_file_path, new_file_path)
                    print(f"✅ 已完成重命名：{entry.name} → {new_file_name}")
            
            except Exception as e:
                # 捕获所有异常，避免单个文件出错导致脚本终止
                print(f"❌ 处理文件{entry.name}时出错：{str(e)}")

代码关键改进点说明： #

1. 精准标签查找：严格按照你要求的<div id="page_header" class="page_header_email_alerts"> → H1 → span[itemprop="headline"]层级查找，避免误匹配其他标签。
2. 文件名合法性处理：自动替换掉Windows系统禁止的文件名特殊字符，确保重命名成功。
3. 重复文件名处理：如果多个文件提取出相同标题，会自动添加(1)、(2)这样的序号，避免文件覆盖。
4. 完善的容错机制：任何环节出错（比如标签找不到、文件读取失败）都会打印提示并跳过该文件，不会中断整个批量操作。
5. 完整路径处理：始终使用文件的完整路径进行操作，避免路径错误。

内容的提问来源于stack exchange，提问作者nikos