将所有HTML标签转换为符号使用python

Question

我想做的是改变每个标签（无论是它的<a href=>或<title>或</title>或</div>。。。等）一个符号。你知道吗

我试着用漂亮的汤，但它只找到我定义的标签。。。你知道吗

我在数据库里找到了一些代码HTMLparser.py文件你知道吗

tagfind = re.compile('([a-zA-Z][^\t\n\r\f />\x00]*)(?:\s|/(?!>))*')

我相信这就是我要找的我只是不知道如何正确使用它。你知道吗

我还想我可以用：

handle_starttag(self, tag, attrs):

但我不想定义标签，我只想让脚本找到每一个标签并将其更改为。。。你知道吗

这可能吗？你知道吗

谢谢你的帮助！！你知道吗

Answer 1

一种更可靠的方法是递归访问每个标记，我只是在下面的示例中更改了名称，但是一旦有了标记，您可以做任何您想做的事情：

from bs4 import BeautifulSoup, element

def visit(s):
    if isinstance(s, element.Tag):
        has_children = s.find_all()
        if has_children:
            s.name = "foobar"
            for child in s:
                visit(child)
        else:
            s.name = "foobar"

要使用它：

 soup = BeautifulSoup(...)
 visit(soup)

那么任何变化都会反映在汤里。你知道吗

Answer 2

BeautifulSoup在这里不是一个好主意-它是为解析HTML而设计的，而不是编辑它。你知道吗

而且，regex看起来不是一个很好的正则表达式（只匹配标记中的内容，而不是整个标记本身），所以我找到了一个更适合您的目的的正则表达式：

</?\w+((\s+\w+(\s*=\s*(?:".*?"|'.*?'|[\^'">\s]+))?)+\s*|\s*)/?>

此标记将匹配以下内容：

<h1>
</h1>
<img src="foo.com/image.png">

我们可以使用re.sub替换所有标记。这将查找某个正则表达式的所有匹配项，并用其他内容替换它们。以下是您如何将其用于您想做的事情：

import re

html_regex = r"""</?\w+((\s+\w+(\s*=\s*(?:".*?"|'.*?'|[\^'">\s]+))?)+\s*|\s*)/?>"""
html = "<h1>Foo</h1>"

print(re.sub(html_regex, "@", html))

这将打印：

@Foo@