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中的面向对象编程详解(下)
Apr 13 Python
python使用Flask操作mysql实现登录功能
May 14 Python
Python3实现转换Image图片格式
Jun 21 Python
python实现字符串和字典的转换
Sep 29 Python
解决python selenium3启动不了firefox的问题
Oct 13 Python
Python格式化输出字符串方法小结【%与format】
Oct 29 Python
selenium跳过webdriver检测并模拟登录淘宝
Jun 12 Python
python 判断linux进程,并杀死进程的实现方法
Jul 01 Python
pytorch 图像预处理之减去均值,除以方差的实例
Jan 02 Python
Python爬取网页信息的示例
Sep 24 Python
selenium学习教程之定位以及切换frame(iframe)
Jan 04 Python
opencv python 对指针仪表读数识别的两种方式
Jan 14 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函数serialize()与unserialize()用法实例
2014/11/06 PHP
php中时间函数date及常用的时间计算
2017/05/12 PHP
phpstorm 配置xdebug的示例代码
2019/03/31 PHP
PHP从零开始打造自己的MVC框架之入口文件实现方法详解
2019/06/03 PHP
28个JS验证函数收集
2010/03/02 Javascript
node.js中的fs.futimesSync方法使用说明
2014/12/17 Javascript
JavaScript截断字符串的方法
2015/07/15 Javascript
小议JavaScript中Generator和Iterator的使用
2015/07/29 Javascript
每天一篇javascript学习小结(String对象)
2015/11/18 Javascript
移动端翻页插件dropload.js(支持Zepto和jQuery)
2016/07/27 Javascript
Underscore之Array_动力节点Java学院整理
2017/07/10 Javascript
微信小程序实现单列下拉菜单效果
2019/04/25 Javascript
vue element-ui table组件动态生成表头和数据并修改单元格格式 父子组件通信
2019/08/15 Javascript
JavaScript数值类型知识汇总
2019/11/17 Javascript
开发Node CLI构建微信小程序脚手架的示例
2020/03/27 Javascript
python根据出生日期返回年龄的方法
2015/03/26 Python
python中文分词,使用结巴分词对python进行分词(实例讲解)
2017/11/14 Python
python中的字符串内部换行方法
2018/07/19 Python
Python列表推导式与生成器用法分析
2018/08/02 Python
Python爬虫基础之XPath语法与lxml库的用法详解
2018/09/13 Python
Pandas的read_csv函数参数分析详解
2019/07/02 Python
python列表插入append(), extend(), insert()用法详解
2019/09/14 Python
python图像处理模块Pillow的学习详解
2019/10/09 Python
Python 利用flask搭建一个共享服务器的步骤
2020/12/05 Python
html5中为audio标签增加停止按钮动作实现方法
2013/01/04 HTML / CSS
理肤泉英国官网:La Roche-Posay英国
2019/01/14 全球购物
游戏商店:Eneba
2020/04/25 全球购物
汇智创新科技发展有限公司
2015/12/06 面试题
廉政文化进校园广播稿
2014/10/20 职场文书
学生违纪检讨书200字
2014/10/21 职场文书
电影建国大业观后感
2015/06/01 职场文书
公司员工宿舍管理制度
2015/08/07 职场文书
小学五年级班主任工作经验交流材料
2015/11/02 职场文书
Python 读写 Matlab Mat 格式数据的操作
2021/05/19 Python
最新最全的手机号验证正则表达式
2022/02/24 Javascript
MySQL中正则表达式(REGEXP)使用详解
2022/07/07 MySQL