利用Python实现翻译HTML中的文本字符串


Posted in Python onJune 21, 2022

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:

利用Python实现翻译HTML中的文本字符串

一键翻译成中文以后是这样的:

利用Python实现翻译HTML中的文本字符串

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:

利用Python实现翻译HTML中的文本字符串

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?

利用Python实现翻译HTML中的文本字符串

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:

利用Python实现翻译HTML中的文本字符串

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:

利用Python实现翻译HTML中的文本字符串

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:

利用Python实现翻译HTML中的文本字符串

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:

利用Python实现翻译HTML中的文本字符串

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:

利用Python实现翻译HTML中的文本字符串

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三水点靠木其它相关文章!

Python 相关文章推荐
Python时间戳与时间字符串互相转换实例代码
Nov 28 Python
Python中3种内建数据结构:列表、元组和字典
Nov 30 Python
在MAC上搭建python数据分析开发环境
Jan 26 Python
Python快速从注释生成文档的方法
Dec 26 Python
JSONLINT:python的json数据验证库实例解析
Nov 28 Python
python读取与写入csv格式文件的示例代码
Dec 16 Python
python环形单链表的约瑟夫问题详解
Sep 27 Python
opencv-python 读取图像并转换颜色空间实例
Dec 09 Python
python中with语句结合上下文管理器操作详解
Dec 19 Python
Django框架之中间件MiddleWare的实现
Dec 30 Python
终于搞懂了Keras中multiloss的对应关系介绍
Jun 22 Python
Scrapy中如何向Spider传入参数的方法实现
Sep 28 Python
使用scrapy实现增量式爬取方式
Jun 21 #Python
python+opencv实现目标跟踪过程
Jun 21 #Python
使用opencv-python如何打开USB或者笔记本前置摄像头
Python+DeOldify实现老照片上色功能
Python使用Opencv打开笔记本电脑摄像头报错解问题及解决
Jun 21 #Python
virtualenv隔离Python环境的问题解析
Jun 21 #Python
pd.drop_duplicates删除重复行的方法实现
Jun 16 #Python
You might like
《一拳超人》埼玉一拳下去,他们存在了800年毫无意义!
2020/03/02 日漫
《破坏领主》销量已超100万 未来将继续开发新内容
2020/03/08 其他游戏
PHP编程基本语法快速入门手册
2016/01/07 PHP
对textarea框的代码调试,而且功能上使用非常方便,酷
2006/06/30 Javascript
编写兼容IE和FireFox的脚本
2009/05/18 Javascript
javascript sudoku 数独智力游戏生成代码
2010/03/27 Javascript
基于jquery的动态创建表格的插件
2011/04/05 Javascript
Extjs中使用extend(js继承) 的代码
2012/03/15 Javascript
js arguments对象应用介绍
2012/11/28 Javascript
JQueryEasyUI datagrid框架的进阶使用
2013/04/08 Javascript
javascript数组去重的六种方法汇总
2015/08/16 Javascript
js编写贪吃蛇的小游戏
2020/08/24 Javascript
基于javascript实现图片预加载
2016/01/05 Javascript
10个JavaScript中易犯小错误
2016/02/14 Javascript
EasyUI闪屏EasyUI页面加载提示(原理+代码+效果图)
2016/02/21 Javascript
jQuery实现复选框的全选和反选
2017/02/02 Javascript
JavaScript中的toString()和toLocaleString()方法的区别
2017/02/15 Javascript
浅谈Angular单元测试总结
2019/03/22 Javascript
Javascript 类型转换、封闭函数及常见内置对象操作示例
2019/11/15 Javascript
[45:18]2018DOTA2亚洲邀请赛 4.3 突围赛 Optic vs iG 第一场
2018/04/04 DOTA
深入理解python函数递归和生成器
2016/06/06 Python
python 实现矩阵上下/左右翻转,转置的示例
2019/01/23 Python
Python OpenCV中的resize()函数的使用
2019/06/20 Python
Python 分发包中添加额外文件的方法
2019/08/16 Python
python将dict中的unicode打印成中文实例
2020/05/11 Python
Python plt 利用subplot 实现在一张画布同时画多张图
2021/02/26 Python
HTML5 embed 标签使用方法介绍
2013/08/13 HTML / CSS
英国假发网站:Hothair
2018/02/23 全球购物
美国学校用品、教室和教学商店:Discount School Supply
2018/04/04 全球购物
英国100%防污和防水的靴子:Muck Boot Company
2020/09/08 全球购物
九州传奇上机题
2014/07/10 面试题
房地产销售计划书
2014/01/10 职场文书
办理居住证介绍信
2014/01/15 职场文书
2014厂务公开实施方案
2014/02/17 职场文书
党员批评与自我批评发言
2014/10/02 职场文书
学校食堂标语
2014/10/06 职场文书