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：
<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）：
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：
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：
以上就是利用Python实现翻译HTML中的文本字符串的详细内容，更多关于Python翻译HTML中字符串的资料请关注其它相关文章！
查看更多关于利用Python实现翻译HTML中的文本字符串的详细内容...