Python字符串替换：URL中的关键字

Question

我将用字符串中的网址替换某些关键字，例如，

content.replace("Google","<a href="http://www.google.com">Google</a>")

但是，我只想用尚未替换为URL的关键字替换URL。

内容是简单的HTML：

<p><b>This is an example!</b></p><p>I love <a href="http://www.google.com">Google</a></p><p><a href="http://www.google.com"><img src="/google.jpg" /></a></p>

主要是<a>和<img>标记。

主要问题：如何确定关键字是否已经包装在<a>或<img>标记中？

这是PHP中类似的问题， 只有在尚未包装在url中的情况下 ， 才用URL查找和替换关键字 ，但是答案不是有效的。

Python中有更好的解决方案吗？ 代码示例更好。 谢谢！

Answer 1

我正在使用Beatiful Soup解析我的HTML，因为用正则表达式解析 HTML可能会很棘手。 如果您使用美丽的汤，则可以使用previous_sibling和previous_element弄清楚自己需要什么。

您以这种方式进行交互：

soup.find_all('img')

Answer 2

正如Chris-Top所说，BeautifulSoup是必经之路：

from BeautifulSoup import BeautifulSoup, Tag, NavigableString
import re    

html = """
<div>
    <p>The quick brown <a href='http://en.wikipedia.org/wiki/Dog'>fox</a> jumped over the lazy Dog</p>
    <p>The <a href='http://en.wikipedia.org/wiki/Dog'>dog</a>, who was, in reality, not so lazy, gave chase to the fox.</p>
    <p>See image for reference:</p>
    <img src='dog_chasing_fox.jpg' title='Dog chasing fox'/>
</div>
"""
soup = BeautifulSoup(html)

#search term, url reference
keywords = [("dog","http://en.wikipedia.org/wiki/Dog"),
            ("fox","http://en.wikipedia.org/wiki/Fox")]

def insertLinks(string_value,string_href):
    for t in soup.findAll(text=re.compile(string_value, re.IGNORECASE)):
            if t.parent.name !='a':
                    a = Tag('a', name='a')
                    a['href'] = string_href
                    a.insert(0, NavigableString(string_value))
                    string_list = re.compile(string_value, re.IGNORECASE).split(t)
                    replacement_text = soup.new_string(string_list[0])
                    t.replace_with(replacement_text)
                    replacement_text.insert_after(a)
                    a.insert_after(soup.new_string(string_list[1]))


for word in keywords:
    insertLinks(word[0],word[1])

print soup

将产生：

<div>
    <p>The quick brown <a href="http://en.wikipedia.org/wiki/Dog">fox</a> jumped over the lazy <a href="http://en.wikipedia.org/wiki/Dog">dog</a></p>
    <p>The <a href="http://en.wikipedia.org/wiki/Dog">dog</a>, who was, in reality, not so lazy, gave chase to the <a href="http://en.wikipedia.org/wiki/Fox">fox</a>.</p>
    <p>See image for reference:</p>
    <img src="dog_chasing_fox.jpg" title="Dog chasing fox"/>
</div>

Answer 3

您可以尝试添加上一篇文章中提到的正则表达式。 首先对照正则表达式检查字符串，以检查字符串是否已经包装在URL中。 这应该很容易，因为只需简单地调用re库及其search（）方法即可解决问题。

如果您需要正则表达式和特定的搜索方法，这是一个很好的教程： http : //www.tutorialspoint.com/python/python_reg_expressions.htm

检查字符串以查看是否已将其包装在URL中之后，如果尚未将其包装在URL中，则可以调用replace函数。

这是我写的一个简单示例：

    import re

    x = "<a href=""http://www.google.com"">Google</a>"
    y = 'Google'

    def checkURL(string):
        if re.search(r'<a href.+', string):
            print "URL Wrapped Already"
            print string
        else:
            string = string.replace('Google', "<a href=""http://www.google.com"">Google</a>")
            print "URL Not Wrapped:"
            print string

    checkURL(x)
    checkURL(y)

我希望这回答了你的问题！