Python - 在 HTML 中搜索和替换分解的文本答案

【问题标题】：Python - search and replace broken up text in HTMLPython - 在 HTML 中搜索和替换分解的文本
【发布时间】：2018-12-27 01:23:13
【问题描述】：

我一直在使用一种工具将 pdf 文档转换为 HTML，以便可以更轻松地编辑它们，同时保留尽可能多的格式。我需要做的是用文本“[REDACTED]”替换某些短语，问题是这个文本被随机标签（主要是跨标签）不可预测地分解，所以我不能轻易地使用查找和替换。

作为示例，我需要从此 html sn-p 中替换文本“要删除的敏感信息”：

<span class="fs4 fc2">Sensitive<span class="_ _b"> </span>Information to Re<span class="_ _c"></span>move</span>

有了这个：

<span class="fs4 fc2">[REDACTED]</span>

有没有办法使用 Beautiful Soup 之类的库或某种复杂的正则表达式字符串来完成此操作？

【问题讨论】：

bs4 比 regex 更有可能工作，但到目前为止你尝试过什么？
所以我首先发现这段代码不起作用：target = html_soup.find_all(text=sensitive_info) ` for v in target:` ` v.replace_with(v.replace(sensitive_info, "[REDACTED]"))` 和我试图看看是否有某种模式与文本是如何分解的，并且在这方面没有运气。如果有人遇到过类似的问题并且也没有找到任何东西，请搜索 Stack Overflow，所以我很困惑......
您使用的是什么工具？我想知道为什么有些工具会在转换过程中插入随机垃圾。
它被称为 pdf2htmlex:github.com/coolwanglu/pdf2htmlEX 我的意思是如果你知道另一种支持 python 的方式来查找和替换 pdf 中的文本同时保留它的格式，那也可以解决我的问题 :)
我认为遍历所有跨度然后获取其中的文本至少是部分解决方案：for span in soup.find_all('span'): 然后text = span.get_text() 然后if text == "Sensitive Information to Remove": 因为 get_text 删除了一个元素。

标签： python html regex beautifulsoup

【解决方案1】：

要替换 HTML 文档中的文本，您可以使用 BeautifulSoup 提供的 clear() 和 append() 方法 (manual pages)：

data = """<span class="fs4 fc2">Sensitive<span class="_ _b"> </span>Information to Re<span class="_ _c"></span>move</span>"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(data, 'lxml')

secret_string = "Sensitive Information to Remove"
redacted_string = "[REDACTED]"

while True:
    s = soup.body.find(lambda t: t.text==secret_string)
    if not s:
        break

    s.clear()
    s.append(redacted_string)

print(soup)

这将打印：

<html><body><span class="fs4 fc2">[REDACTED]</span></body></html>

【讨论】：