python - HTML 内部，Python 中的 URL 重映射库

Question

通过 URL 重新映射，我的意思是更改实际 HTML 文档中的所有“href”、“src”、“action”等。

是否有任何 python 库可以执行此类 URL 重新映射？

在 python Web 服务器应用程序(基于 Tornado )上，我希望能够根据某些条件修改我服务器的 HTML 代码。

想象一下，我从磁盘上读取了此 HTML，但我需要替换所有链接并...以指向此子域/域和路径或该子域/域和路径。

假设我不想使用模板重写磁盘上的所有 HTML(将标签放入其中并在运行时替换标签)，为了简单起见，也可以假设我没有外部链接(就像我切勿链接到 google.com [需要条件重新映射])。

Answer 1

据我所知，没有这样的库，但是你可以使用一些html解析库，例如 lxml或BeautifulSoup与 urlparse 一起标准 Python 模块。我更喜欢使用 lxml 和 XPath .

例如，我们将 StackOverflow 页面保存为 doc.html，并且我们想要对包含 href、src 的节点执行某些操作，操作:

import urlparse

import lxml.html


with open('doc.htm') as f:
    doc = lxml.html.parse(f)

for el in doc.xpath('//*[@href | @src | @action]'):
    tag = el.tag
    href = el.get('href', '')
    if not href:
        continue

    # not really need to check for '/' when using urljoin, but this is just example
    if href.startswith('/'): 
        el.attrib['href'] = urlparse.urljoin('http://stackoverflow.com/', href)

# then get string representation of tree back
result = lxml.html.tostring(doc)

在此示例中，我仅使用 urlparse.urljoin 将以“/”开头的相对 href 转换为绝对值，并且并未使用 XPath 结果中的所有元素。但您可以根据需要对其进行自定义。