Python在HTML中搜索和替换分解的文本

2024-10-08 18:27:30 发布

您现在位置：Python中文网/ 问答频道 /正文
5908 3

我一直在使用一个工具将pdf文档转换为HTML，这样它们就可以更容易地编辑，同时保留尽可能多的格式。我需要做的是用文本“[REDACTED]”替换某些短语，问题是这个文本被随机标记（主要是span标记）不可预测地分割，所以我不能简单地使用find和replace。你知道吗

例如，我需要替换此html代码段中的文本“要删除的敏感信息”：

<span class="fs4 fc2">Sensitive<span class="_ _b"> </span>Information to Re<span class="_ _c"></span>move</span>

有了这个：

<span class="fs4 fc2">[REDACTED]</span>

有没有什么方法可以使用像BeautifulSoup或某种复杂的正则表达式字符串这样的库来实现这一点？你知道吗


Tags： 工具文档标记文本编辑pdfhtml格式
1条回答
网友
1楼 · 发布于 2024-10-08 18:27:30

要替换HTML文档中的文本，可以使用ulsou提供的clear()和append()方法（manual pages）：

data = """<span class="fs4 fc2">Sensitive<span class="_ _b"> </span>Information to Re<span class="_ _c"></span>move</span>"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(data, 'lxml')

secret_string = "Sensitive Information to Remove"
redacted_string = "[REDACTED]"

while True:
    s = soup.body.find(lambda t: t.text==secret_string)
    if not s:
        break

    s.clear()
    s.append(redacted_string)

print(soup)

这将打印：

<html><body><span class="fs4 fc2">[REDACTED]</span></body></html>

相关问题 更多 >

    编程相关推荐

    热门问题