逐行解析HTML

Question

我正在编写一个用于解析 HTML 的 Python 代码。此处的目标是在每一行中查找字符串，并按如下所示进行更改：

原文：《Criar Alerta》

<li><a href="http://..." target="_blank">Criar Alerta</a></li>

预期结果：“创建警报”

<li><a href="http://..." target="_blank">Create alert</a></li>

然后，为了确保创建一个与原始 HTML 结构相同的新 HTML，我需要逐行解析后面的字符串，识别字符串，并将其更改为字典中的等价物。

我看到here，BeautifulSoup 可以解析特定的标签。我试过了，但我不确定结果。

然后我问：是否可以使用 BeautifulSoup 进行逐行解析，因为它适用于标签，并且每行有多个标签？

提前致谢，

蒂亚戈

Answer 1

我相信以下是您正在寻找的。

让我们使用 3 行，其中两行包含字典中的单词，另一行不包含 - 只是为了测试代码：

rep = """
      <li class="current"><a  style="color:#00233C;" href="index.html"><i class="icon icon-home"></i>  Início</a></li>
      <li class="current"><a  style="color:#00233C;" href="index.html"><i class="icon icon-home"></i>  Nunca</a></li>
      <li class="current"><a  style="color:#00233C;" href="index.html"><i class="icon icon-home"></i>  Criar Alerta</a></li>
    """

并使用您的字典（提示：将字典定义为 dict 绝不是一个好主意；它只是在路上的某个地方自找麻烦......）

rep_dict = {
"Início": "Start",
"Ajuda": "Help",
"Criar Alerta": "Create Alert",
"Materiais e Estruturas": "Structures and Materials" 
}

现在是代码：

soup = BeautifulSoup(rep, 'lxml')

only_a_tags = soup.find_all('a')

for item in range(len(only_a_tags)):
    for word in rep_dict:
        if word in str(only_a_tags[item]):
            print(str(only_a_tags[item]).replace(word,rep_dict[word]))

输出：

<a href="index.html" style="color:#00233C;"><i class="icon icon-home"></i>  Start</a>
<a href="index.html" style="color:#00233C;"><i class="icon icon-home"></i>  Create    Alert</a>

没有打印包含“nunca”的项目，因为“nunca”不在rep_dict中。

Answer 2

@杰克转瞬

在下面的示例中，我想将“Início”替换为“Start”：

原文：

<li class="current"><a  style="color:#00233C;" href="index.html"><i class="icon icon-home"></i>  Início</a></li>

预期结果：

<li class="current"><a  style="color:#00233C;" href="index.html"><i class="icon icon-home"></i>  Start</a></li>

字典中的一个例子：

dict = {
    "Início": "Start",
    "Ajuda": "Help",
    "Criar Alerta": "Create Alert",
    "Materiais e Estruturas": "Structures and Materials"
    ...
}

以下是我编写的代码，用于练习使用 BeautifulSoup 进行 HTML 解析。 （我注意到所有要替换的字符串都在“a”标签内，然后我使用了SoupStrainer（“a”））

from bs4 import BeautifulSoup
from bs4 import SoupStrainer

with open(html_file, 'rb') as src:
    doc = src.read()
    src.close()

only_a_tags = SoupStrainer("a")
parse_1 = 'html.parser'
soup = BeautifulSoup(doc, parse_1, parse_only=only_a_tags)

print(soup.prettify())

原行解析打印如下：

<a href="index.html" style="color:#00233C;">
 <i class="icon icon-home">
 </i>
 Início
</a>

鉴于上面的打印，我不确定是否能够获得预期的结果。

我的目的是找到每一行的字符串，然后在字典中搜索它的等价物，然后执行替换。

现在，我想知道如何使用 BeatifulSoup 执行这种字符串替换。 之后，我将编写一个“for”循环，最终对 HTML 文件中的所有行进行替换。

我的第一次尝试（在了解 BeautifulSoup 之前）是处理以二进制形式读取的 HTML 文件的 .txt 版本，这证明自己非常耗时且效率低下。