相信大家都用過瀏覽器的翻譯網(wǎng)頁功能，例如對于下圖這個英文網(wǎng)頁：

一鍵翻譯成中文以后是這樣的：

你可能會覺得這個功能很簡單，不就是字符串替換嗎？那你可以試一試把下面這個HTML片段中的<p>標(biāo)簽下面的英文翻譯成中文。其它標(biāo)簽中的不要改動：

<div>
?<p>if?you?want?to?parse?date?and?time,?your?could?use?<em>datetime</em>,?by?use?this?library,?you?can?generate?now?time?by?one?line?code?<span>datetime.datetime.now()</span>?this?is?so?easy.</p>
</div>

在<em>標(biāo)簽中的datetime和<span>標(biāo)簽中的datetime.datetime.now()不需要翻譯。

你一拍腦袋，馬上寫出了下面這幾行代碼（假設(shè)你已經(jīng)有了一個現(xiàn)成的translate()函數(shù)，傳入英文，輸出中文）：

from?lxml.html?import?fromstring
source?=?'''<div>
?<p>if?you?want?to?parse?date?and?time,?your?could?use?<em>datetime</em>,?by?use?this?library,?you?can?generate?now?time?by?one?line?code?<span>datetime.datetime.now()</span>?this?is?so?easy.</p>
</div>
'''

selector?=?fromstring(source)
text_list?=?selector.xpath('//p/text()')
for?text?in?text_list:
????chinese?=?translate(text)
????...

當(dāng)你寫到這里，你應(yīng)該會愣一下。因為你突然發(fā)現(xiàn)一個問題，怎么把中文替換回去？

不用嘗試去百度了。在今天（2022-06-20）之前，整個中文網(wǎng)絡(luò)里面，你找不到解決方法。

一個比較笨的辦法是直接對原始的HTML字符串進(jìn)行文本替換：

for?text?in?text_list:
????chinese?=?translate(text)
????source?=?source.replace(text,?chinese)

但這樣做，效率非常低。因為你要不停掃描整個HTML字符串。一般一個中型網(wǎng)站的HTML就有幾千上萬行，十幾二十萬個字符。你每翻譯一小段就全文替換一次，這個時間會非常漫長。

那有沒有辦法只對當(dāng)前這一個<p>標(biāo)簽里面的文本進(jìn)行替換呢？關(guān)鍵的問題來了，你替換可以，但是怎么才能不影響這個<p>標(biāo)簽下面的兩個子標(biāo)簽？要保證文本和子標(biāo)簽的相對位置不改變。

如果<p>標(biāo)簽下面只有一段文本，沒有子標(biāo)簽，那么非常簡單，如下圖所示：

但現(xiàn)在的問題是，<p>標(biāo)簽下面有三段文本。每段文本之間還插入了其它的子標(biāo)簽。我們怎么樣對每一段文本進(jìn)行替換，但是又保持文本的相對順序，并且還不能影響子標(biāo)簽？

p.text這種寫法首先就可以排除了，因為它沒有辦法指定替換第幾段文本。

你之所以會覺得這個問題很難解決，是因為你有一個錯覺，請看上面這張截圖，我打印了text_list。打印出來是一個包含字符串的列表。所以你可能會覺得。使用lxml寫Xpath的時候，/text()返回的總是包含字符串的列表。

但實際上，返回的列表里面的元素并不是字符串，而是_ElementUnicodeResult對象。如下圖所示：

不是字符串就簡單了，那么我們可以獲取每一個文本對象的父標(biāo)簽。然后修改父標(biāo)簽下面的文本就可以了。

看到這里，你肯定會問，這三個文本節(jié)點的父標(biāo)簽，不都是同一個<p>嗎？如果你覺得是，那你就犯了想當(dāng)然的錯誤。我們用代碼來看看：

其實只有第一段文本的父標(biāo)簽是<p>。第二段文本的父標(biāo)簽，竟然是<p>的子標(biāo)簽<em>。第三段文本的父標(biāo)簽，是<span>。

等等，如果第二段文本的父標(biāo)簽是<em>，那么<em>datetime</em>里面的datetime的父標(biāo)簽是什么？它的父標(biāo)簽也是<em>！那么問題來了，<em>的text()文本節(jié)點，怎么可能又是datetime，又是<p>下面的第二段文本呢？

實際上，<em>的text()始終都是datetime。如下圖所示：

那么，<p>的第二段文本跟這個<em>標(biāo)簽是什么關(guān)系？實際上，這個關(guān)系叫做tail。如下圖所示：

在一個標(biāo)簽里面，只有第一段text是它真正的text()，如果這個標(biāo)簽有子標(biāo)簽，那么位于子標(biāo)簽后面的文本，是這個子標(biāo)簽的tail。只不過當(dāng)我們在正則表達(dá)式里面寫/text()的時候，lxml會幫我們把所有子標(biāo)簽的tail都算作當(dāng)前標(biāo)簽的text。

我們可以使用文本節(jié)點的.is_text和.is_tail來判斷它屬于哪種文本。最終運行效果如下圖所示：

以上就是利用Python實現(xiàn)翻譯HTML中的文本字符串的詳細(xì)內(nèi)容，更多關(guān)于Python翻譯HTML中字符串的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論