我正在使用Python中的BeautifulSoup将大量HTML文件批量转换为XML。
一个示例HTML文件如下所示：
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"
"http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<!-- this is an HTML comment -->
<!-- this is another HTML comment -->
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
...
<!-- here is a comment inside the head tag -->
</head>
<body>
...
<!-- Comment inside body tag -->
<!-- Another comment inside body tag -->
<!-- There could be many comments in each file and scattered, not just 1 in the head and three in the body. This is just a sample. -->
</body>
</html>
<!-- This comment is the last line of the file -->
我想出了如何找到doctype并将其替换为标记的方法<doctype>...</doctype>，但是注释给我很大的挫败感。我想用替换HTML注释<comment>...</comment>。在此示例HTML中，我能够替换前两个HTML注释，但是html标记内的所有内容以及结束html标记后的最后一个注释都不能替换。
这是我的代码：
file = open ("sample.html", "r")
soup = BeautifulSoup(file, "xml")
for child in soup.children:
# This takes care of the first two HTML comments
if isinstance(child, bs4.Comment):
child.replace_with("<comment>" + child.strip() + "</comment>")
# This should find all nested HTML comments and replace.
# It looks like it works but the changes are not finalized
if isinstance(child, bs4.Tag):
re.sub("(<!--)|(<!--)", "<comment>", child.text, flags=re.MULTILINE)
re.sub("(-->)|(--&gr;)", "</comment>", child.text, flags=re.MULTILINE)
# The HTML comments should have been replaced but nothing changed.
print (soup.prettify(formatter=None))
这是我第一次使用BeautifulSoup。如何使用BeautifulSoup查找所有HTML注释并将其替换为<comment>标记？
我可以通过pickle，序列化，应用正则表达式将其转换为字节流，然后将其反序列化为BeautifulSoup对象吗？这项工作还是会导致更多问题？
我尝试在子标记对象上使用pickle，但反序列化失败TypeError: __new__() missing 1 required positional argument: 'name'。
然后，我尝试通过腌制标记的文本child.text，但是由于导致反序列化失败AttributeError: can't set attribute。基本上child.text是只读的，这解释了正则表达式为什么不起作用的原因。因此，我不知道如何修改文本。
您有几个问题：
您无法修改child.text。它是一个只读属性，仅get_text()在后台调用，其结果是未连接到文档的全新字符串。
re.sub()不会就地修改任何内容。你的线
re.sub("(<!--)|(<!--)", "<comment>", child.text, flags=re.MULTILINE)
本来是
child.text = re.sub("(<!--)|(<!--)", "<comment>", child.text, flags=re.MULTILINE)
...但是由于第1点，无论如何这还是行不通的。
试图通过用正则表达式替换其中的文本块来修改文档是使用BeautifulSoup的错误方法。相反，您需要找到节点并将其替换为其他节点。
这是一个可行的解决方案：
import bs4
with open("example.html") as f:
soup = bs4.BeautifulSoup(f)
for comment in soup.find_all(text=lambda e: isinstance(e, bs4.Comment)):
tag = bs4.Tag(name="comment")
tag.string = comment.strip()
comment.replace_with(tag)
这段代码首先迭代访问的结果，并find_all()利用我们可以将函数作为text参数传递的事实。在BeautifulSoup中，Comment是的子类NavigableString，因此我们将其视为字符串来进行搜索，而lambda ...仅仅是（例如）的简写
def is_comment(e):
return isinstance(e, bs4.Comment)
soup.find_all(text=is_comment)
然后，我们Tag使用适当的名称创建一个新名称，将其内容设置为原始注释的剥离内容，然后用我们刚刚创建的标签替换该注释。
结果如下：
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"
"http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<comment>this is an HTML comment</comment>
<comment>this is another HTML comment</comment>
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
...
<comment>here is a comment inside the head tag</comment>
</head>
<body>
...
<comment>Comment inside body tag</comment>
<comment>Another comment inside body tag</comment>
<comment>There could be many comments in each file and scattered, not just 1 in the head and three in the body. This is just a sample.</comment>
</body>
</html>
<comment>This comment is the last line of the file</comment>
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句