使用python在html中搜索文本

Question

我有一个电子书阅读器，它不会将突出显示的注释导出到 epub 文件中，所以我要编写一个Sigil 插件来从阅读器中导入注释并将它们放入 epub 文件中，这样我就可以在我的台式电脑。

最简单的做法是在 python 中对字符串使用replace 方法：

for html_id, href in bk.text_iter():
    # read orignal html code from file
    original_html = bk.readfile(html_id)
    # modify html code
    modified_html = original_html.replace('Every issue that comes up', '<span class="highlight">Every issue that comes up</span>')

这里有一个警告：我查找的字符串可能是电子书阅读器上的连续文本，但可能在基础 html 文件中包含 html 标签。

我想首先碰到这个问题的不是我：有没有名称和方法可以在这种约束下进行搜索？取回文件中所有与原始文本相加的字符串或位置列表会很有用。

例子：

<ul>
 <li>Alfa Romeo</li>
 <li>Mercedes</li>
 <li>Volkswagen</li>
</ul>

我已经在电子书阅读器中突出显示了列表，所以我搜索

Alfa Romeo Mercedes Volkswagen

我的搜索函数将返回一个包含 html 文件中位置的列表，以便我可以为每个位置添加 span 标签。

<ul>
 <li><span class="highlight">Alfa Romeo</span></li>
 <li><span class="highlight">Mercedes</span></li>
 <li><span class="highlight">Volkswagen</span></li>
</ul>

什么是允许在途中插入 html 标签和空格的搜索类型？在 python 中是否有一个库例程？

Answer 1

你可以使用re:

import re
def highlight(text, keywords, _class='highlight'):
   return re.sub('|'.join(keywords), lambda x:f"<span class='{_class}'>{x.group()}</span>", text)

s = """
<ul>
 <li>Alfa Romeo</li>
 <li>Mercedes</li>
 <li>Volkswagen</li>
</ul>
"""
print(highlight(s, ['Alfa Romeo', 'Mercedes', 'Volkswagen']))

输出：

<ul>
 <li><span class='highlight'>Alfa Romeo</span></li>
 <li><span class='highlight'>Mercedes</span></li>
 <li><span class='highlight'>Volkswagen</span></li>
</ul>