Блог

Рассмотрим следующий HTML:

 <div>
      Some foo text foo
      <p> text inside paragraph foo and also foo and <b> nested foo</b> and foo </p>
      foo is also here and can occur many times foo foo
      <p> here <a>foo</a> already appears inside a link so it is not changed</p>
      foo, yeah!
</div>
  

Мне нужно обернуть все вхождения ‘foo’ в интерактивную ссылку ( <a> элемент), за исключением вхождений, которые уже находятся внутри <a> , поэтому ожидаемый результат:

 <div>
      Some <a>foo</a> text <a>foo</a>
      <p> text inside paragraph <a>foo</a> and also <a>foo</a> and <b> nested <a>foo</a></b> and <a>foo</a> </p>
      <a>foo</a> is also here and can occur many times <a>foo</a> <a>foo</a>
      <p> here <a> foo </a> appears inside a link so it is not changed</p>
      <a>foo</a>, yeah!
    </div>
  

Есть ли простой способ сделать это с помощью lxml? Изначально замена необработанной подстроки имела для меня больше смысла, но есть требование, согласно которому некоторые вхождения не должны изменяться, если они находятся внутри определенных элементов HTML.

Хорошо, BeautifulSoup кажется намного лучше, чем raw lxml для этой цели

Этот код работает довольно хорошо:

 from bs4 import BeautifulSoup

x = """<div>
      Some foo text foo
      <p> text inside paragraph foo and also foo and <b> nested foo</b> and foo </p>
      foo is also here and can occur many times foo foo
      <p> here <a>foo</a> already appears inside a link so it is not changed</p>
      foo, yeah!
</div>"""

s = BeautifulSoup(x, 'html.parser')
print(s)

for text_node in list(s.strings):
      if not text_node.parent.name=='a':
            text_node.replace_with(BeautifulSoup(text_node.string.replace('foo', '<a>foo</a>'), 'html.parser'))

print(s)
  

Редактировать: важно использовать html.parser. Передача «lxml» при создании заменяющего HTML-фрагмента работает некорректно (оборачивает HTML-фрагмент в html-тег)

Это должно привести вас туда, куда, я думаю, вы направляетесь:

 x_list = x.split(' ')
for word in range (len(x_list)):
    if 'foo' in x_list[word]:
       if x_list[word] != '<a>foo</a>':
               x_list[word]='<a>foo</a>'
new_x = ' '.join(x_list)
print(new_x.strip('n'))
  

Вывод:

 <div>
  Some <a>foo</a> text <a>foo</a>      <p> text inside paragraph <a>foo</a> and also <a>foo</a> and <b> nested <a>foo</a> and <a>foo</a> </p>
  <a>foo</a> is also here and can occur many times <a>foo</a> <a>foo</a>      <p> here <a>foo</a> already appears inside a link so it is not changed</p>
  <a>foo</a> yeah!