使用python将所有html标签更改为符号

Question

我想要做的是将每个标签（无论是 <a href=> 或 <title> 或 </title> 或 </div>... 等）更改为一个符号。

我尝试使用漂亮的汤，但它只能找到我定义的标签...

我在 HTMLparser.py 中找到了一些代码

tagfind = re.compile('([a-zA-Z][^\t\n\r\f />\x00]*)(?:\s|/(?!>))*')

我相信这就是我正在寻找的东西，我只是不知道如何正确使用它。

我还想我可以使用：

handle_starttag(self, tag, attrs):

但我不想定义标签，我只想让脚本找到每个标签并将其更改为某种东西......

这可能吗？

感谢大家的帮助！！

Answer 1

更可靠的方法是递归访问每个标签，我只是在下面的示例中更改了名称，但是一旦有了标签，您就可以做任何您想做的事情：

from bs4 import BeautifulSoup, element

def visit(s):
    if isinstance(s, element.Tag):
        has_children = s.find_all()
        if has_children:
            s.name = "foobar"
            for child in s:
                visit(child)
        else:
            s.name = "foobar"

使用它：

 soup = BeautifulSoup(...)
 visit(soup)

那么任何变化都会反映在汤里。

Answer 2

BeautifulSoup 在这里不是一个好主意 - 这是为 解析 HTML 而设计的，而不是编辑它。

另外，那个正则表达式似乎不是一个很好的正则表达式（只匹配标签 inside 的内容，而不是整个标签本身）所以我找到了一个更适合的不同的正则表达式你的目的：

</?\w+((\s+\w+(\s*=\s*(?:".*?"|'.*?'|[\^'">\s]+))?)+\s*|\s*)/?>

此标记将匹配以下内容：

<h1>
</h1>
<img src="foo.com/image.png">

我们可以使用re.sub 来替换所有标签。这会找到某个正则表达式的所有匹配项，并将它们替换为其他内容。以下是您将其用于您想做的事情的方法：

import re

html_regex = r"""</?\w+((\s+\w+(\s*=\s*(?:".*?"|'.*?'|[\^'">\s]+))?)+\s*|\s*)/?>"""
html = "<h1>Foo</h1>"

print(re.sub(html_regex, "@", html))

这将打印：

@Foo@