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
深入学习Python中的装饰器使用
Jun 20 Python
Python入门_浅谈for循环、while循环
May 16 Python
Python人脸识别初探
Dec 21 Python
Python批量提取PDF文件中文本的脚本
Mar 14 Python
python统计字母、空格、数字等字符个数的实例
Jun 29 Python
用pycharm开发django项目示例代码
Oct 24 Python
Django中提供的6种缓存方式详解
Aug 05 Python
Django+uni-app实现数据通信中的请求跨域的示例代码
Oct 12 Python
Python 面向对象之封装、继承、多态操作实例分析
Nov 21 Python
Python魔法方法 容器部方法详解
Jan 02 Python
keras 如何保存最佳的训练模型
May 25 Python
python状态机transitions库详解
Jun 02 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
php MySQL与分页效率
2008/06/04 PHP
PHP爆绝对路径方法收集整理
2012/09/17 PHP
PHP基础学习之流程控制的实现分析
2013/04/28 PHP
php IP转换整形(ip2long)的详解
2013/06/06 PHP
thinkPHP中create方法与令牌验证实例浅析
2015/12/08 PHP
jquery DOM操作 基于命令改变页面
2010/05/06 Javascript
js function使用心得
2010/05/10 Javascript
编写可维护面向对象的JavaScript代码[翻译]
2011/02/12 Javascript
JQuery获取浏览器窗口内容部分高度的代码
2012/02/24 Javascript
javascript真的不难-回顾一下基础知识
2013/01/15 Javascript
vue项目引入字体.ttf的方法
2018/09/28 Javascript
React和Vue中监听变量变化的方法
2018/11/14 Javascript
在vue-cli创建的项目中使用sass操作
2020/08/10 Javascript
[01:09:50]VP vs Pain 2018国际邀请赛小组赛BO2 第二场
2018/08/20 DOTA
Python import自定义模块方法
2015/02/12 Python
Python File readlines() 使用方法
2018/03/19 Python
Tensorflow卷积神经网络实例
2018/05/24 Python
python 查找文件名包含指定字符串的方法
2018/06/05 Python
PYTHON发送邮件YAGMAIL的简单实现解析
2019/10/28 Python
python实现邮件循环自动发件功能
2020/09/11 Python
Django mysqlclient安装和使用详解
2020/09/17 Python
Python导入父文件夹中模块并读取当前文件夹内的资源
2020/11/19 Python
Javascript 高级手势使用介绍
2013/04/21 HTML / CSS
Blue Nile台湾:钻石珠宝商,订婚首饰、结婚戒指和精品首饰
2017/11/24 全球购物
专科应届生求职信
2013/11/24 职场文书
化学学院毕业生自荐信范文
2013/12/17 职场文书
社区活动邀请函范文
2014/01/29 职场文书
2014年两会学习心得体会
2014/03/10 职场文书
家庭贫困证明
2014/09/23 职场文书
2014年加油站工作总结
2014/12/04 职场文书
2016幼儿园新学期寄语
2015/12/03 职场文书
《少年闰土》教学反思
2016/02/18 职场文书
《打电话》教学反思
2016/02/22 职场文书
个人销售励志奋斗口号
2019/12/05 职场文书
Python加密技术之RSA加密解密的实现
2022/04/08 Python
Linux磁盘管理方法介绍
2022/06/01 Servers