Выравнивание между HTML и его текстом
Я очищаю содержимое HTML с помощью BeautifulSoup и хотел бы иметь возможность перемещаться между фактическим HTML и его атрибутом getText ().
>>> html = "<p>Test</p>"
Загрузите это в BeautifulSoup
>>> soup = BeautifulSoup(html, 'html.parser')
Теперь я легко могу получить его текстовую версию без атрибутов html:
>>> text = soup.get_text()
>>> print(text)
"Test"
Есть ли способ обеспечить сопоставление (выравнивание) между индексами каждого символа между html и text? Мне нужно выполнить обработку на text, но затем изменить содержимое в html.
Здесь это означало бы:
0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10
< | p | > | T | e | s | t | < | / | p | >
&
0 | 1 | 2 | 3
T | e | s | t
Таким образом, выравнивание будет [(3,0), (4,1), (5,2), (6,3)].
Конечно, пример прост, но он мне понадобится для очень сложных и больших файлов HTML. Это кому-то звонит в колокольчик?
Ответы 1
Не могли бы вы прояснить хоть какой-то контекст, почему это необходимо.
Проблема, похоже, заключается в определении смещения между фактическим исходным кодом html и содержащимся в нем текстом (с учетом смещения символа исходного кода, введенного тегом до и после). Я сам не использую эту библиотеку, но вот она.
Проблема, похоже, полностью решается с помощью модуля Python re. Я знаю, что у суп есть некоторые подсказки об их собственном использовании поиска строк re, но они не очень подробны, поэтому я буду обсуждать библиотеку python re вместо этого, поскольку она кажется похожей:
это разрешение предполагает и зависит от предпосылки, что содержащийся текст в теге в исходном коде уникален.
Программно создайте такое регулярное выражение:
"<TAGNAME [\w ]*> (STRING CONTENTS)<TAGNAME/>". Это регулярное выражение использует группы, так что с помощью match.group(0).start() вы можете получить начальную позицию всего тега в исходном коде, а с помощью match.group(1).start() вы получите позицию STRING CONTENTS. Обнаружив разницу между этими двумя позициями, вы сможете сгенерировать сохраняемое целое число смещения, которое вы можете просто использовать вместо создания сопоставления словаря (тем не менее смещение можно использовать для создания словаря).
N.B: Имея ссылку на этот ответ, я узнал, что суп (the output of beautifulsoup(html, 'html.parser')) изменяет структуру входной строки, поэтому его будет ненадежно использовать по сравнению с исходным кодом нетронутого строкового литерала.