python 中文文本处理,python从html中提取文本

　　本文主要介绍如何使用Python实现翻译HTML中文本字符串的功能。文章中的样例代码解释的很详细，有兴趣的朋友可以去试试。

　　相信大家都用过浏览器翻译网页的功能，比如下图的英文网页：

　　一键翻译成中文后，看起来是这样的：

　　你可能觉得这个函数很简单，不就是字符串替换吗？然后你可以试着把下面HTML片段中P标签下的英文翻译成中文。不要更改其他标签:

　　差异

　　pifyouwanttoparsedateandtime，yourculuseemdatetime/em，byusethislibrary，youchangeneratenowtimebyonelinecodespandadatetime . datetime . now()/spansthissoeasy。/p

　　/div

　　em标记中的Datetime和span标记中的datetime.datetime.now()不需要翻译。

　　你一拍脑袋，马上就写了下面几行代码(假设你已经有现成的translate()函数，传入英文，中文输出):

　　fromlxml.htmlimportfromstring

　　源= 分区

　　pifyouwanttoparsedateandtime，yourculuseemdatetime/em，byusethislibrary，youchangeneratenowtimebyonelinecodespandadatetime . datetime . now()/spansthissoeasy。/p

　　/div

　　选择器=fromstring(源)

　　text _ list=selector . XPath(//p/text())

　　fortextintext_list:

　　中文=翻译(文本)

　　.

　　写到这里，你应该惊呆了。因为你突然发现一个问题，怎么替换中文？

　　不用尝试去百度了。在今天（2022-06-20）之前，整个中文网络里面，你找不到解决方法。

　　一个比较笨的办法就是直接用文本替换原来的HTML字符串：

　　fortextintext_list:

　　中文=翻译(文本)

　　source=source.replace(文本，中文)

　　但这样做，效率很低。因为你必须不断扫描整个HTML字符串。一般一个中型网站的HTML有几千行，10万到20万个字符。每翻译一小段，就把整篇课文换掉，这样会花很长时间。

　　有没有办法只替换当前P标签中的文本？关键问题来了。可以替换，但是怎么能不影响这个P标签下面的两个子标签呢？确保文本和子标签的相对位置不会改变。

　　如果p标签下只有一段文字，没有子标签，那就很简单了，如下图所示：

　　但现在的问题是，P标签下有三段文字。其他子标签被插入到文本的每个段落之间。如何替换每段文字，但保持文字的相对顺序，不影响子标签？

　　p.text的写法首先可以排除，因为它没有办法指定要替换哪一段文字。

　　你之所以觉得这个问题很难解决，是因为你产生了错觉。请看上面的截图。我打印了文本列表。打印出字符串列表。所以你可能会想。用lxml编写Xpath时，/text()

　　>返回的总是包含字符串的列表。

　　但实际上，返回的列表里面的元素并不是字符串，而是_ElementUnicodeResult对象。如下图所示：

　　不是字符串就简单了，那么我们可以获取每一个文本对象的父标签。然后修改父标签下面的文本就可以了。

　　看到这里，你肯定会问，这三个文本节点的父标签，不都是同一个<p>吗？如果你觉得是，那你就犯了想当然的错误。我们用代码来看看：

　　其实只有第一段文本的父标签是<p>。第二段文本的父标签，竟然是<p>的子标签<em>。第三段文本的父标签，是<span>。

　　等等，如果第二段文本的父标签是<em>，那么<em>datetime</em>里面的datetime的父标签是什么？它的父标签也是<em>！那么问题来了，<em>的text()文本节点，怎么可能又是datetime，又是<p>下面的第二段文本呢？

　　实际上，<em>的text()始终都是datetime。如下图所示：

　　那么，<p>的第二段文本跟这个<em>标签是什么关系？实际上，这个关系叫做tail。如下图所示：

　　在一个标签里面，只有第一段text是它真正的text()，如果这个标签有子标签，那么位于子标签后面的文本，是这个子标签的tail。只不过当我们在正则表达式里面写/text()的时候，lxml会帮我们把所有子标签的tail都算作当前标签的text。

　　我们可以使用文本节点的.is_text和.is_tail来判断它属于哪种文本。最终运行效果如下图所示：

　　以上就是利用Python实现翻译HTML中的文本字符串的详细内容，更多关于Python翻译HTML中字符串的资料请关注盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。