inserire i tag nel testo ElementTree
-
21-09-2019 - |
Domanda
Sto usando il Python ElementTree modulo di manipolare HTML. Voglio sottolineare alcune parole, e la mia soluzione attuale è:
for e in tree.getiterator():
for attr in 'text', 'tail':
words = (getattr(e, attr) or '').split()
change = False
for i, word in enumerate(words):
word = clean_word.sub('', word)
if word.lower() in glossary:
change = True
words[i] = word.replace(word, '<b>' + word + '</b>')
if change:
setattr(e, attr, ' '.join(words))
È possibile che esamina il testo di ogni elemento e sottolinea le parole importanti che trova. Tuttavia lo fa inserendo tag HTML negli attributi di testo, che è sfuggito durante il rendering in modo che ho bisogno di contrastare con:
html = etree.tostring(tree).replace('>', '>').replace('<', '<')
Questo mi mette a disagio quindi voglio farlo correttamente. Tuttavia per incorporare un nuovo elemento che avrei avuto bisogno di spostare tutto il 'testo' e 'coda' attributi in modo che il testo enfatizzato apparso nella stessa posizione. E questo sarebbe davvero difficile quando l'iterazione come sopra.
Qualche consiglio su come farlo correttamente sarebbe apprezzato. Sono sicuro che c'è qualcosa che ho perso nella API!
Soluzione
È inoltre possibile utilizzare XSLT e XPath una funzione personalizzata per fare questo.
Visibile qui di seguito è un esempio. Ha bisogno di ancora un po 'di lavoro, ad esempio la pulizia spazi extra alla fine degli elementi e la gestione misto di testo, ma è un'altra idea.
dato questo input:
<html>
<head>
</head>
<body>
<p>here is some text to bold</p>
<p>and some more</p>
</body>
</html>
e glossario contiene le due parole: alcuni, grassetto
poi output di esempio è:
<?xml version="1.0"?>
<html>
<head/>
<body>
<p>here is <b>some</b> text to <b>bold</b> </p>
<p>and <b>some</b> more </p>
</body>
</html>
Ecco il codice, ho anche postato su http://bkc.pastebin.com/f545a8e1d
from lxml import etree
stylesheet = etree.XML("""
<xsl:stylesheet version="1.0"
xmlns:btest="uri:bolder"
xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:template match="@*">
<xsl:copy />
</xsl:template>
<xsl:template match="*">
<xsl:element name="{name(.)}">
<xsl:copy-of select="@*" />
<xsl:apply-templates select="text()" />
<xsl:apply-templates select="./*" />
</xsl:element>
</xsl:template>
<xsl:template match="text()">
<xsl:copy-of select="btest:bolder(.)/node()" />
</xsl:template>
</xsl:stylesheet>
""")
glossary = ['some', 'bold']
def bolder(context, s):
results = []
r = None
for word in s[0].split():
if word in glossary:
if r is not None:
results.append(r)
r = etree.Element('r')
b = etree.SubElement(r, 'b')
b.text = word
b.tail = ' '
results.append(r)
r = None
else:
if r is None:
r = etree.Element('r')
r.text = '%s%s ' % (r.text or '', word)
if r is not None:
results.append(r)
return results
def test():
ns = etree.FunctionNamespace('uri:bolder') # register global namespace
ns['bolder'] = bolder # define function in new global namespace
transform = etree.XSLT(stylesheet)
print str(transform(etree.XML("""<html><head></head><body><p>here is some text to bold</p><p>and some more</p></body></html>""")))
if __name__ == "__main__":
test()
Altri suggerimenti
Anche se ElementTree è molto facile da usare per la maggior parte delle attività di elaborazione XML, è anche scomodo per il contenuto misto. Io suggerisco di usare DOM parser:
from xml.dom import minidom
import re
ws_split = re.compile(r'\s+', re.U).split
def processNode(parent):
doc = parent.ownerDocument
for node in parent.childNodes[:]:
if node.nodeType==node.TEXT_NODE:
words = ws_split(node.nodeValue)
new_words = []
changed = False
for word in words:
if word in glossary:
text = ' '.join(new_words+[''])
parent.insertBefore(doc.createTextNode(text), node)
b = doc.createElement('b')
b.appendChild(doc.createTextNode(word))
parent.insertBefore(b, node)
new_words = ['']
changed = True
else:
new_words.append(word)
if changed:
text = ' '.join(new_words)
print text
parent.replaceChild(doc.createTextNode(text), node)
else:
processNode(node)
Inoltre ho usato regexp per separare le parole per evitare che si attacchino insieme:
>>> ' '.join(ws_split('a b '))
'a b '
>>> ' '.join('a b '.split())
'a b'