python中的简单.html过滤器-仅修改文本元素

Question

我需要过滤一组相当长（但非常常规）的 .html 文件来修改一些结构只有如果它们出现在文本元素中。

一个很好的例子是将<p><div class="speech">it's hard to find his "good" side! He has <i>none</i>!<div></p> 更改为<p><div class="speech">it's hard to find his “good” side! He has <i>none</i>!<div></p>。

我可以使用html.parser 轻松解析我的文件，但不清楚如何生成结果文件，该文件应尽可能与输入相似（无需重新格式化）。

我看过 beautiful-soup，但对于这个（应该是？）简单的任务来说，它似乎太大了。

注意：我确实不需要/想要将 .html 文件提供给任何类型的浏览器；我只需要用（稍微）改变的内容更新它们（可能就地）。

更新：

按照@soundstripe 的建议，我编写了以下代码：

import bs4
from re import sub

def handle_html(html):
    sp = bs4.BeautifulSoup(html, features='html.parser')
    for e in list(sp.strings):
        s = sub(r'"([^"]+)"', r'“\1”', e)
        if s != e:
            e.replace_with(s)
    return str(sp).encode()

raw = b"""<p><div class="speech">it's hard to "find" his "good" side! He has <i>none</i>!<div></p>"""
new = handle_html(raw)
print(raw)
print(new)

不幸的是，BeautifulSoup 试图从它（和我）自己的利益出发变得过于聪明：

b'<p><div class="speech">it\'s hard to "find" his "good" side! He has <i>none</i>!<div></p>'
b'<p><div class="speech">it\'s hard to &amp;ldquo;find&amp;rdquo; his &amp;ldquo;good&amp;rdquo; side! He has <i>none</i>!<div></div></div></p>'

即：它将普通的& 转换为& 从而破坏“ 实体（注意我使用的是字节数组，而不是字符串。它相关吗？）。

我该如何解决这个问题？

Answer 1

我不知道你为什么不使用 BeautifulSoup。这是一个示例，可以按照您的要求替换引号。

import re
import bs4

raw = b"""<p><div class="speech">it's hard to find his "good" side! He has <i>none</i>!<div></p> to <p><div class="speech">it's hard to find his &ldquo;good&rdquo; side! He has <i>none</i>!<div></p>"""
soup = bs4.BeautifulSoup(raw, features='html.parser')

def replace_quotes(s):
    return re.sub(r'"([^"]+)"', r'&ldquo;\1&rdquo;', e)


for e in list(soup.strings):
    # wrapping the new string in BeautifulSoup() call to correctly parse entities
    new_string = bs4.BeautifulSoup(replace_quotes(e))
    e.replace_with(new_string)

# use the soup.encode() formatter keyword to specify you want html entities in your output
new = soup.encode(formatter='html')


print(raw)
print(new)