我有一个 html 文档,其中一些元素包含我想要隐藏的内容(就像中国政府正在做的那样,只不过我只是想隐藏 secret 信息)。例如说我有:
<div>
<span> bkhiu jknd o so so so yui iou 789 </span>
<span>
bkhiu
<div> 56 898tr SECRET oij890 </div>
</span>
</div>
我想获取包含字符串 SECRET
的所有元素,并将其全部内容替换为 ### :
<div>
<span> bkhiu jknd o so so so yui iou 789 </span>
<span>
bkhiu
<div>###</div>
</span>
</div>
我考虑过将 minidom
和 re
与以下内容一起使用:
xmldoc = minidom.parseString(my_html_string)
# filtering nodes by their content
sensitive_nodes = filter(lambda n: re.search('SECRET', n.nodeValue),
xmldoc.getElementsByTagName())
# replacing content
for node in sensitive_nodes:
node.nodeValue = '###'
# output
my_html_string = xmldoc.toxml()
但首先解析甚至没有成功:
ExpatError: mismatched tag: line 27, column 6
并且 .getElementsByTagName()
需要一个 tagName
参数...而我不关心标签名称并且需要所有节点(以便按他们的内容)。基本上,该代码根本不起作用,只是试图解释我想要实现的目标。
知道如何轻松做到这一点吗?使用 minidom 或者完全不同的东西?
最佳答案
好的...我找到了一个非常简单的方法,使用 BeautifulSoup :
import re
from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup(my_html)
nodes_to_censor = soup.findAll(text=re.compile('.*SECRET.*'))
for node in nodes_to_censor:
node.replaceWith('###')
关于 python : Replacing a HTML element depending on its content,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/5634522/