python : Replacing a HTML element depending on its content

Question

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，只不过我只是想隐藏 secret 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 SECRET 的所有元素，并将其全部内容替换为 ### :

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

我考虑过将 minidom 和 re 与以下内容一起使用:

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...而我不关心标签名称并且需要所有节点(以便按他们的内容)。基本上，该代码根本不起作用，只是试图解释我想要实现的目标。

知道如何轻松做到这一点吗？使用 minidom 或者完全不同的东西？

Answer 1

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('###')