假设我有 html 代码。它坏了(它是从另一个程序给出的)。我必须找到其中的所有图像,并将 src 属性更改为一些代码。这就是全部 - 它应该在决赛中保持破碎。
这是我的代码:
# -*- coding: utf-8 -*-
from lxml import etree
from StringIO import StringIO
def test(text):
text = analyze_dir_template_imgs(text)
return text
def analyze_dir_template_imgs(text):
ts = [
{
'name':'img',
'path':"//img[@src]",
'attrib': 'src',
},
]
parser = etree.HTMLParser()
for t in ts:
tree = etree.parse(StringIO(text), parser)
path = t['path']
name = t['name']
attrib = t.get('attrib', False)
text = str_repr(tree.getroot())
#text_to_file(text, 'temp/template_dir.html', 0, 'wb')
links = tree.xpath(path)
i = 0
for l in links:
i+=1
#print
#print l
y0 = l.attrib[attrib]
print y0
x0 = str_repr(l)
if name=='img':
repl_to = '[image]'
x0_new = x0.replace(y0, repl_to)
text = text.replace(x0, x0_new)
print text
return text
def str_repr(el, enc='utf-8'):
text = etree.tostring(el, pretty_print=True, method='xml', encoding=enc)
return text
if __name__ == "__main__":
text = u'''
<a href="[link]">[name]</a>
</h2>
<img width="280" style= "margin: 10px; float:left;" alt ="привет мир" src = "/[[template]]/image.jpg"><p>[[body]]</p>
<div class="jcomments-links">
<a href="[link]" class="readmore-link">more...</a> </div>
<div class="item-separator">'''
test(text)
但问题是在这个过程中 lxml 更正了 html 代码。我的意思是结果是
<html><body>
<a href="%5Blink%5D">[name]</a>
...
但我的结果应该从
<a href="[link]">[name]</a>
因为它是初始代码的开始。
这很糟糕,因为我的任务只是更改 src,而这个新更改的代码将被发送到另一个脚本,该脚本将收集不同的代码片段。
另一个问题是y0 = l.attrib[attrib]
给了/[[template]]/image.jpg
,但是x0 = str_repr(l)
给了<img width="280" style="margin: 10px; float:left;" alt="привет мир" src="/%5B%5Btemplate%5D%5D/image.jpg"><p>[[body]]</p>
- 正如你看到的特殊符号[
被更改为/%5B
,但我想得到这部分,就像它在原始 html 代码中一样。
如何使用 lxml 正确解决这个问题?谢谢。