一日一技:使用Python翻译HTML中的文本字符串

语言: CN / TW / HK

摄影:产品经理

麻婆豆腐和红苋菜

相信大家都用过浏览器的翻译网页功能,例如对于下图这个英文网页:

一键翻译成中文以后是这样的:

你可能会觉得这个功能很简单,不就是字符串替换吗?那你可以试一试把下面这个HTML片段中的 <p> 标签下面的英文翻译成中文。其它标签中的不要改动:

<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>

<em> 标签中的 datetime<span> 标签中的 datetime.datetime.now() 不需要翻译。

你一拍脑袋,马上写出了下面这几行代码(假设你已经有了一个现成的 translate() 函数,传入英文,输出中文):

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)
    ...

当你写到这里,你应该会愣一下。因为你突然发现一个问题,怎么把中文替换回去?

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。

一个比较笨的办法是直接对原始的HTML字符串进行文本替换:

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

但这样做,效率非常低。因为你要不停扫描整个HTML字符串。一般一个中型网站的HTML就有几千上万行,十几二十万个字符。你每翻译一小段就全文替换一次,这个时间会非常漫长。

那有没有办法只对当前这一个 <p> 标签里面的文本进行替换呢?关键的问题来了,你替换可以,但是怎么才能不影响这个 <p> 标签下面的两个子标签?要保证文本和子标签的相对位置不改变。

如果 <p> 标签下面只有一段文本,没有子标签,那么非常简单,如下图所示:

但现在的问题是, <p> 标签下面有三段文本。每段文本之间还插入了其它的子标签。我们怎么样对每一段文本进行替换,但是又保持文本的相对顺序,并且还不能影响子标签?

p.text 这种写法首先就可以排除了,因为它没有办法指定替换第几段文本。

你之所以会觉得这个问题很难解决,是因为你有一个错觉,请看上面这张截图,我打印了 text_list 。打印出来是一个包含字符串的列表。所以你可能会觉得。使用lxml写Xpath的时候, /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>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>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.is_tail 来判断它属于哪种文本。最终运行效果如下图所示:

END

我的爬虫架构课开课啦!

爬虫架构进阶就在这里

送未闻Code知识星球一年订阅!

一二线大厂在职员工

十多年码龄的编程老鸟

国内外高校在读学生

中小学刚刚入门的新人

“未闻 Code技术交流群” 等你来!

入群方式:添加微信“mekingname”,备注“粉丝群”(谢绝广告党,非诚勿扰!)

好文和朋友一起看~