如何使用Python替换HTML标签内文本中的XML特殊字符

核心思路 #

全局String.replace()会误改标签或属性内的有效字符，正确做法是用HTML解析库定位仅文本节点，只在这些节点内替换特殊字符，避免破坏HTML结构。

具体实现步骤 #

1. 安装依赖 #

使用BeautifulSoup处理HTML解析，执行安装命令：

pip install beautifulsoup4

2. 编写替换逻辑 #

先定义特殊字符到英文等价词的映射，再遍历所有文本节点完成替换：

from bs4 import BeautifulSoup, NavigableString

# 自定义特殊字符替换规则，可按需扩展
CHAR_REPLACEMENTS = {
    '&': 'and',
    '>': 'greater than',
    '<': 'less than',
    '"': 'quotation',
    "'": 'apostrophe'
}

def sanitize_html_text(html_content):
    soup = BeautifulSoup(html_content, 'html.parser')
    
    # 遍历所有纯文本节点
    for text_node in soup.find_all(string=True):
        if isinstance(text_node, NavigableString):
            original_text = text_node.string
            # 按规则替换特殊字符
            replaced_text = original_text
            for char, replacement in CHAR_REPLACEMENTS.items():
                replaced_text = replaced_text.replace(char, replacement)
            # 更新节点内容
            text_node.replace_with(replaced_text)
    
    return str(soup)

# 示例用法
sample_html = """
<div>
    <p>价格 & 数量 > 100</p>
    <a href="https://example.com?a=1&b=2">链接&说明</a>
</div>
"""

processed_html = sanitize_html_text(sample_html)
print(processed_html)

3. 关键说明 #

• BeautifulSoup会完整解析HTML结构，精准区分标签、属性与文本内容
• 仅对NavigableString类型的纯文本节点做替换，不会修改标签名、属性名或属性值中的字符
• 替换规则可根据实际需求调整，比如添加更多特殊字符的等价表述

额外优化 #

如果HTML包含<script>、<style>等无需处理的标签，可在遍历过程中过滤：

for text_node in soup.find_all(string=True):
    if isinstance(text_node, NavigableString) and text_node.parent.name not in ['script', 'style']:
        # 执行替换逻辑

内容的提问来源于stack exchange，提问作者cjt