Question

所以我需要在Python中处理一些HTML，我的要求是我需要找到一个特定的标签，并根据字符的内容用不同的字符替换它......

<html>
   <Head>
   </HEAD>
   <body>
     <blah>
       <_translate attr="french"> I am no one, 
           and no where <_translate>
     <Blah/>
   </body>
 </html>

应该成为

<html>
   <Head>
   </HEAD>
   <body>
     <blah>
       Je suis personne et je suis nulle part
     <Blah/>
   </body>
</html>

我想保持原始HTML不变，只替换标记为'important-tag'的标签。属性和该标记的内容对于生成标记输出很重要。

我曾经使用过扩展HTMLParser对象，但是当我想要它时，我无法找到原始HTML。我认为我最想要的是将HTML解析为令牌，并在每个令牌中使用原始文本，这样我就可以输出我想要的输出...即得到像

这样的东西

(tag, "<html>")
(data, "\n    ")
(tag, "<head>")
(data, "\n    ")
(end-tag,"</HEAD>")
ect...
ect...

任何人都知道有一个好的pythonic方法来实现这个目标吗？首选Python 2.7标准库，第三方也可以考虑...

谢谢！

Answer 1

您可以使用lxml执行此类任务http://lxml.de/tutorial.html并使用XPath轻松导航您的html：

from lxml.html import fromstring
my_html = "HTML CONTENT"
root = fromstring(my_html)
nodes_to_process = root.xpath("//_translate")
for node in nodes_to_process:
    lang = node.attrib["attr"]
    translate = AWESOME_TRANSLATE(node.text, lang)
    node.parent.text = translate

我将向您介绍AWESOME_TRANSLATE函数的实现;）

Python中的HTMLParsing

1 个答案: