Python 字符串替换：URL 中的关键字

Question

我打算用字符串中的url替换一些关键字，例如，

content.replace("Google","<a href="http://www.google.com">Google</a>")

但是，我只想用 url 替换关键字，前提是它还没有包含在 url 中。

内容是简单的HTML：

<p><b>This is an example!</b></p><p>I love <a href="http://www.google.com">Google</a></p><p><a href="http://www.google.com"><img src="/google.jpg" /></a></p>

主要是<a>和<img>标签。

主要问题：如何判断一个关键字是否已经包含在<a>或<img>标签中？

这是 PHP find and replace keywords with urls ONLY if not already wrapped in a url 中的一个类似问题，但答案不是一个有效的问题。

在 Python 中有更好的解决方案吗？代码示例更好。谢谢！

Answer 1

我使用Beatiful Soup 来解析我的HTML，因为parsing 带有正则表达式的HTML 可以......被证明是棘手的。如果您使用漂亮的汤，您可以玩弄 previous_sibling 和 previous_element 找出您需要什么。

你以这种方式互动：

soup.find_all('img')

Answer 2

正如 Chris-Top 所说，BeautifulSoup 是正确的选择：

from BeautifulSoup import BeautifulSoup, Tag, NavigableString
import re    

html = """
<div>
    <p>The quick brown <a href='http://en.wikipedia.org/wiki/Dog'>fox</a> jumped over the lazy Dog</p>
    <p>The <a href='http://en.wikipedia.org/wiki/Dog'>dog</a>, who was, in reality, not so lazy, gave chase to the fox.</p>
    <p>See image for reference:</p>
    <img src='dog_chasing_fox.jpg' title='Dog chasing fox'/>
</div>
"""
soup = BeautifulSoup(html)

#search term, url reference
keywords = [("dog","http://en.wikipedia.org/wiki/Dog"),
            ("fox","http://en.wikipedia.org/wiki/Fox")]

def insertLinks(string_value,string_href):
    for t in soup.findAll(text=re.compile(string_value, re.IGNORECASE)):
            if t.parent.name !='a':
                    a = Tag('a', name='a')
                    a['href'] = string_href
                    a.insert(0, NavigableString(string_value))
                    string_list = re.compile(string_value, re.IGNORECASE).split(t)
                    replacement_text = soup.new_string(string_list[0])
                    t.replace_with(replacement_text)
                    replacement_text.insert_after(a)
                    a.insert_after(soup.new_string(string_list[1]))


for word in keywords:
    insertLinks(word[0],word[1])

print soup

将产生：

<div>
    <p>The quick brown <a href="http://en.wikipedia.org/wiki/Dog">fox</a> jumped over the lazy <a href="http://en.wikipedia.org/wiki/Dog">dog</a></p>
    <p>The <a href="http://en.wikipedia.org/wiki/Dog">dog</a>, who was, in reality, not so lazy, gave chase to the <a href="http://en.wikipedia.org/wiki/Fox">fox</a>.</p>
    <p>See image for reference:</p>
    <img src="dog_chasing_fox.jpg" title="Dog chasing fox"/>
</div>

Answer 3

您可以尝试添加上一篇文章中提到的正则表达式。首先根据正则表达式检查您的字符串，以检查它是否已包含在 URL 中。这应该很容易，因为对 re 库及其 search() 方法的简单调用就可以解决问题。

如果您需要正则表达式和具体的搜索方法，这里有一个很好的教程：http://www.tutorialspoint.com/python/python_reg_expressions.htm

在检查字符串是否已经包含在 URL 中之后，如果它还没有包含在 URL 中，则可以调用替换函数。

这是我写的一个简单的例子：

    import re

    x = "<a href=""http://www.google.com"">Google</a>"
    y = 'Google'

    def checkURL(string):
        if re.search(r'<a href.+', string):
            print "URL Wrapped Already"
            print string
        else:
            string = string.replace('Google', "<a href=""http://www.google.com"">Google</a>")
            print "URL Not Wrapped:"
            print string

    checkURL(x)
    checkURL(y)

我希望这能回答你的问题！