一日一技：使用Python翻译HTML中的文本字符串

发表于 更新于 分类于 阅读次数： 本文字数： 1.1k 阅读时长 ≈ 4 分钟

相信大家都用过浏览器的翻译网页功能，例如对于下图这个英文网页：

一键翻译成中文以后是这样的：

你可能会觉得这个功能很简单，不就是字符串替换吗？那你可以试一试把下面这个HTML片段中的<p>标签下面的英文翻译成中文。其它标签中的不要改动：

1
2
3
<div>
	<p>if you want to parse date and time, your could use <em>datetime</em>, by use this library, you can generate now time by one line code <span>datetime.datetime.now()</span> this is so easy.</p>
</div>

在<em>标签中的datetime和<span>标签中的datetime.datetime.now()不需要翻译。

你一拍脑袋，马上写出了下面这几行代码（假设你已经有了一个现成的translate()函数，传入英文，输出中文）：

1
2
3
4
5
6
7
8
9
10
11
from lxml.html import fromstring
source = '''<div>
	<p>if you want to parse date and time, your could use <em>datetime</em>, by use this library, you can generate now time by one line code <span>datetime.datetime.now()</span> this is so easy.</p>
</div>
'''

selector = fromstring(source)
text_list = selector.xpath('//p/text()')
for text in text_list:
    chinese = translate(text)
    ...

当你写到这里，你应该会愣一下。因为你突然发现一个问题，怎么把中文替换回去？

不用尝试去百度了。在今天（2022-06-20）之前，整个中文网络里面，你找不到解决方法。

一个比较笨的办法是直接对原始的HTML字符串进行文本替换：

1
2
3
for text in text_list:
    chinese = translate(text)
    source = source.replace(text, chinese)

但这样做，效率非常低。因为你要不停扫描整个HTML字符串。一般一个中型网站的HTML就有几千上万行，十几二十万个字符。你每翻译一小段就全文替换一次，这个时间会非常漫长。

那有没有办法只对当前这一个<p>标签里面的文本进行替换呢？关键的问题来了，你替换可以，但是怎么才能不影响这个<p>标签下面的两个子标签？要保证文本和子标签的相对位置不改变。

如果<p>标签下面只有一段文本，没有子标签，那么非常简单，如下图所示：

但现在的问题是，<p>标签下面有三段文本。每段文本之间还插入了其它的子标签。我们怎么样对每一段文本进行替换，但是又保持文本的相对顺序，并且还不能影响子标签？

p.text这种写法首先就可以排除了，因为它没有办法指定替换第几段文本。

你之所以会觉得这个问题很难解决，是因为你有一个错觉，请看上面这张截图，我打印了text_list。打印出来是一个包含字符串的列表。所以你可能会觉得。使用lxml写Xpath的时候，/text()返回的总是包含字符串的列表。

但实际上，返回的列表里面的元素并不是字符串，而是_ElementUnicodeResult对象。如下图所示：

不是字符串就简单了，那么我们可以获取每一个文本对象的父标签。然后修改父标签下面的文本就可以了。

看到这里，你肯定会问，这三个文本节点的父标签，不都是同一个<p>吗？如果你觉得是，那你就犯了想当然的错误。我们用代码来看看：

其实只有第一段文本的父标签是<p>。第二段文本的父标签，竟然是<p>的子标签<em>。第三段文本的父标签，是<span>。

等等，如果第二段文本的父标签是<em>，那么<em>datetime</em>里面的datetime的父标签是什么？它的父标签也是<em>！那么问题来了，<em>的text()文本节点，怎么可能又是datetime，又是<p>下面的第二段文本呢？

实际上，<em>的text()始终都是datetime。如下图所示：

那么，<p>的第二段文本跟这个<em>标签是什么关系？实际上，这个关系叫做tail。如下图所示：

在一个标签里面，只有第一段text是它真正的text()，如果这个标签有子标签，那么位于子标签后面的文本，是这个子标签的tail。只不过当我们在正则表达式里面写/text()的时候，lxml会帮我们把所有子标签的tail都算作当前标签的text。

我们可以使用文本节点的.is_text和.is_tail来判断它属于哪种文本。最终运行效果如下图所示：