2

我有一个 html 文档，其中一些元素包含我想要隐藏的内容（就像中国政府正在做的那样，只是我只想隐藏机密信息）。例如说我有：

<div>
    <span> bkhiu jknd o so so so  yui iou 789 </span>
    <span>
        bkhiu
        <div> 56 898tr SECRET oij890 </div>
    </span>
</div>

我想获取包含字符串的所有元素，SECRET并将它们的全部内容替换为 ### ：

<div>
    <span> bkhiu jknd o so so so  yui iou 789 </span>
    <span>
        bkhiu
        <div>###</div>
    </span>
</div>

我曾想过使用minidom和re类似的东西：

xmldoc = minidom.parseString(my_html_string)
# filtering nodes by their content
sensitive_nodes = filter(lambda n: re.search('SECRET', n.nodeValue), 
    xmldoc.getElementsByTagName())
# replacing content
for node in sensitive_nodes:
    node.nodeValue = '###'
# output
my_html_string = xmldoc.toxml()

但首先解析甚至没有成功：

ExpatError: mismatched tag: line 27, column 6

并且.getElementsByTagName()需要一个tagName参数......虽然我不关心标签名称并且需要所有节点（以便按其内容过滤）。那么基本上该代码根本不起作用，而只是试图解释我想要实现的目标。

知道我怎么能轻松做到这一点吗？与 minidom 或完全不同的东西？

4

1 回答 1

3

好的......我找到了一个非常简单的方法，使用BeautifulSoup：

import re
from BeautifulSoup import BeautifulSoup

soup = BeautifulSoup(my_html)
nodes_to_censor = soup.findAll(text=re.compile('.*SECRET.*'))
for node in nodes_to_censor:
    node.replaceWith('###')
于 2011-04-12T12:02:57.943 回答