你如何替换beautifulSoup 中的特定字符？答案

【问题标题】：How do you replace specific characters in beautifulSoup?你如何替换beautifulSoup 中的特定字符？
【发布时间】：2015-02-14 15:07:31
【问题描述】：

我很清楚如何使用 bs4 替换标签中的文本，但是我如何将特定字符（例如 p-tag）实际更改为包含在 b-tag 中的另一个字符或字符串？

例如，如果我想加粗/突出显示段落中的所有 j。

【问题讨论】：

这里不是替换单个字符，而是注入标签。这是不同的，因为文本元素必须分成三个，并且必须插入一个标签元素。

标签： python beautifulsoup

【解决方案1】：

如果要在文本中插入标签，则必须将整个文本分成 3 段；之前的所有内容，进入标签的文本，以及之后的所有内容。

每次在文本中找到匹配项时都必须执行此操作，因此您也需要在插入后跟踪结尾部分：

def inject_tag(text, start, end, tagname, **attrs):
    # find the document root
    root = text
    while root.parent:
        root = root.parent

    before = root.new_string(text[:start])
    new_tag = root.new_tag(tagname, **attrs)
    new_tag.string = text[start:end]
    after = root.new_string(text[end:])

    text.replace_with(before)
    before.insert_after(new_tag)
    new_tag.insert_after(after)
    return after

然后用上面的函数替换具体的索引：

>>> import re
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup('''\
... <p>The quick brown fox jumps over the lazy dog</p>
... ''')
>>> the = re.compile(r'the', flags=re.I)
>>> text = soup.p.string
>>> while True:
...     match = the.search(unicode(text))
...     if not match: break
...     start, stop = match.span()
...     text = inject_tag(text, start, stop, 'b')
... 
>>> print soup.prettify()
<html>
 <head>
 </head>
 <body>
  <p>
   <b>
    The
   </b>
   quick brown fox jumps over
   <b>
    the
   </b>
   lazy dog
  </p>
 </body>
</html>

【讨论】：

【解决方案2】：

您可以使用find_all() 函数获取所有<p> 元素，并通过常规表达式为您希望的字母注入<b> 元素，例如：

from bs4 import BeautifulSoup
import sys 
import re

soup = BeautifulSoup(open(sys.argv[1]))
for p in soup.find_all('p'):
    p.string = re.sub(r'(r)', r'<b>\1</b>', p.string)

print(soup.prettify(formatter=None))

注意我使用formatter=None来避免HTML实体的转换。

使用这个测试文本：

<div>
    <div class="post-text" itemprop="text">

        <p>I'm well aware on how to replace texts in tags using bs4 but how would I actually change a specific character in, say a p-tag, into another character or string enclosed in a b-tag?</p>

<p>An example would be if I wanted to bold/highlight all the j's in a paragraph.</p>

    </div>
</div>

像这样运行它：

python script.py infile

产生：

<html>
 <body>
  <div>
   <div class="post-text" itemprop="text">
    <p>
     I'm well awa<b>r</b>e on how to <b>r</b>eplace texts in tags using bs4 but how would I actually change a specific cha<b>r</b>acte<b>r</b> in, say a p-tag, into anothe<b>r</b> cha<b>r</b>acte<b>r</b> o<b>r</b> st<b>r</b>ing enclosed in a b-tag?
    </p>
    <p>
     An example would be if I wanted to bold/highlight all the j's in a pa<b>r</b>ag<b>r</b>aph.
    </p>
   </div>
  </div>
 </body>
</html>

【讨论】：

这会插入转义尖括号。字符串内容现在是An example would be if I wanted to bold/highlight all the &lt;b&gt;j&lt;/b&gt;'s in a paragraph.。