html - 替换 HTML 文件中子字符串中的空格

Question

我有一些 html 文件，其中包含指向文件名包含空格的文件的链接。例如，

The rain in spain ... 
<a href="/path/filename with space.xls">Filename</a>
falls mainly on the plain.

<a href="/path/2nd filename with space.doc">2nd Filename</a>

文件中通常有多个这样的链接。我想仅替换文件名本身中的空格，但不要触摸文件中其他地方的空格。例如：

<a href="/path/filename_with_space.xls">Filename</a>

我已经尝试过使用 SED，但我似乎无法将替换隔离在 2 个正则表达式模式之间（sed 似乎逐行工作）。

任何援助将不胜感激。

Answer 1

不要对这个问题使用正则表达式。使用 html 解析器。这是 Python 中使用 BeautifulSoup 的解决方案：

from BeautifulSoup import BeautifulSoup

with open('Path/to/file', 'r') as content_file:
    content = content_file.read()

soup = BeautifulSoup(content)
for a in soup.findAll('a')
  a['href'] = a['href'].replace(" ", "_")

with open('Path/to/file.modified', 'w') as output_file:
    output_file.write(str(soup))