Question

我正在尝试制作此网站的离线副本：ieeghn。此任务的一部分是下载使用Beautiful Soup引用的所有css / js，并修改此新下载资源的任何外部链接。

目前我只使用字符串replace方法。但我不认为这是有效的，因为我在循环中执行此操作，下面的代码段：

local_content = '' 
for res in soup.findAll('link', {'rel': 'stylesheet'}):
            if not str(res['href']).startswith('data:'):
                original_res = res['href']
                res['href'] = some_function_to_download_css()
                local_content = local_content.replace(original_res, res['href'])

我只保存以data:开头的非嵌入资源的资源。但问题是，local_content = local_content.replace(original_res, res['href'])可能会导致我只能将一个外部资源修改为本地资源的问题。其余的仍然是指资源的在线版本。

我猜测因为local_content是一个非常长的字符串（看看ieeghn源代码），这样做效果不佳。

如何正确替换给定模式的字符串内容？或者我是否必须先将其存储到文件中并在那里进行修改？

EDITED 我发现问题出在这行代码中：

 original_res = res['href']

BSoup会以某种方式清理href字符串。就我而言，&将更改为&。当我尝试将原始href替换为新下载的本地文件时，str.replace()根本找不到此原始值。要么我必须找到原始HREF的方法，要么只是处理这种情况。不得不说，原来的HREF是最好的方式

Answer 1

您已经在某种程度上替换了内容......

res['href'] = some_function_to_download_css()

...在BeautifulSoup的HTML树表示中更新href节点的res属性。

为了提高效率，您可以缓存已下载的CSS文件的URL，并在下载文件之前查阅缓存。一旦你完成了（如果你对BS的属性排序/缩进/等等没问题），你可以用str(soup)得到树的字符串表示。

参考：http://beautiful-soup-4.readthedocs.org/en/latest/#changing-tag-names-and-attributes

如何正确替换文本文件的内容

1 个答案: