如何在保留HTML标签/结构的情况下查找/替换文本

Question

我用正则表达式来处理文本，想要按照自己的需求进行转换，但我希望保留HTML标签。比如说，如果我想把“stack overflow”替换成“stack underflow”，那么应该像这样工作：如果输入是 stack <sometag>overflow</sometag>，我得到的结果应该是 stack <sometag>underflow</sometag>（也就是说，字符串的替换完成了，但标签依然保留在那儿...）

Answer 1

请注意，随意的替换操作可能会出现不明确的情况。看看下面的例子：

1)

HTML:

A<tag>B</tag>

模式 -> 替换:

AB -> AXB

可能的结果:

AX<tag>B</tag>
A<tag>XB</tag>

2)

HTML:

A<tag>A</tag>A

模式 -> 替换:

A+ -> WXYZ

可能的结果:

W<tag />XYZ
W<tag>X</tag>YZ
W<tag>XY</tag>Z
W<tag>XYZ</tag>
WX<tag />YZ
WX<tag>Y</tag>Z
WX<tag>YZ</tag>
WXY<tag />Z
WXY<tag>Z</tag>
WXYZ

适合你情况的算法类型，主要取决于你可能搜索的模式和处理模糊情况的规则。

Answer 2

Beautiful Soup 或者 HTMLParser 是你的解决方案。

Answer 3

在处理和修改HTML时，建议使用DOM库，而不是正则表达式：

• lxml：一个解析器，可以处理文档和HTML，还可以使用BeautifulSoup和html5lib来解析。
• BeautifulSoup：一个解析器，可以处理文档和HTML。
• html5lib：一个解析器，也有一个序列化功能。
• ElementTree：一个文档对象和XML序列化工具。
• cElementTree：一个以C扩展实现的文档对象。
• HTMLParser：一个解析器。
• Genshi：包含解析器、文档和HTML序列化功能。
• xml.dom.minidom：标准库中内置的文档模型，可以被html5lib解析。

内容摘自 http://blog.ianbicking.org/2008/03/30/python-html-parser-performance/。

在这些选项中，我推荐使用lxml、html5lib和BeautifulSoup。