python中的Simple.html过滤器-仅修改文本元素

我需要过滤一组相当长但非常规则的.html文件，只有当它们出现在文本元素中时才修改一些结构

一个很好的例子是改变很难找到他好的一面！他没有

很难找到他的&ldquo；好",；一边他没有

我可以很容易地用html.parser解析我的文件，但不清楚如何生成结果文件，它应该尽可能类似于输入，而无需重新格式化

我看了一眼漂亮的汤，但它看起来真的太大了，不适合这个？简单的任务

注意：我不需要/不想向任何类型的浏览器提供.html文件；我只需要他们更新可能的地方略有改变的内容

更新：

在@soundstripe advice之后，我编写了以下代码：

import bs4
from re import sub

def handle_html(html):
    sp = bs4.BeautifulSoup(html, features='html.parser')
    for e in list(sp.strings):
        s = sub(r'"([^"]+)"', r'“\1”', e)
        if s != e:
            e.replace_with(s)
    return str(sp).encode()

raw = b"""<p><div class="speech">it's hard to "find" his "good" side! He has <i>none</i>!<div></p>"""
new = handle_html(raw)
print(raw)
print(new)

不幸的是，BeautifulSoup试图从自身和我自己的利益出发变得过于聪明：

b'<p><div class="speech">it\'s hard to "find" his "good" side! He has <i>none</i>!<div></p>'
b'<p><div class="speech">it\'s hard to &amp;ldquo;find&amp;rdquo; his &amp;ldquo;good&amp;rdquo; side! He has <i>none</i>!<div></div></div></p>'

i、 e:它转换为普通&到&；因此，打破了&ldquo；请注意，我使用的是ByteArray，而不是字符串。相关吗

---

我怎样才能解决这个问题？

我不知道你为什么不使用BeautifulSoup。下面是一个例子，它会像你所问的那样替换你的引用

import re
import bs4

raw = b"""<p><div class="speech">it's hard to find his "good" side! He has <i>none</i>!<div></p> to <p><div class="speech">it's hard to find his &ldquo;good&rdquo; side! He has <i>none</i>!<div></p>"""
soup = bs4.BeautifulSoup(raw, features='html.parser')

def replace_quotes(s):
    return re.sub(r'"([^"]+)"', r'&ldquo;\1&rdquo;', e)


for e in list(soup.strings):
    # wrapping the new string in BeautifulSoup() call to correctly parse entities
    new_string = bs4.BeautifulSoup(replace_quotes(e))
    e.replace_with(new_string)

# use the soup.encode() formatter keyword to specify you want html entities in your output
new = soup.encode(formatter='html')


print(raw)
print(new)

---

您可以将SeleniumWebDriver用于that@Code_Ninja当前位置乍一看，它看起来比漂亮的汤更有用处。我错过了什么吗？哈哈，不要害怕API，selenium webdriver提供的功能比beautiful soup还多，因为它的主要创建目的是跟踪和自动化网站前端的更改。请查看更新的问题；我们快到了。。。但不完全是这样。通常你需要打开另一篇文章，先做一些研究，然后再问一个不同的问题，但我今天感觉很好：PI会指出，这个re.sub模式只适用于单个HTML字符串中匹配的引号对。您可能需要更像Word用于智能引号的功能—如果引号后面跟一个字母，则应该是左引号。如果后面有空格或标点符号，应该是正确的引语。治愈比疾病更糟糕。使用bs4.BeautifulSoupreplace“将字符串包装在…

”；外。。。被替换为删除，但是，..

保留并破坏格式化。我会接受你的回答，因为我只是简单地改变了它；“因为我并不真正关心最终产品中的html实体。谢谢。我知道re.sub.的局限性，但我仍然认为这是最好的选择；我的一个实际代码片段是：«” 他是一个成功的人。他是一个成功的人。他是一个成功的人。他是一个成功的人。他是一个成功的人！ »« 安迪阿莫是一座观景楼吗？ »不太清楚如何处理结束语引号，因为它被标点符号包围，这只是第一次成功。欢迎有任何见解。