如何用BeautifulSoup提取文本加标签，修复XML嵌套结构问题

问题1：为指定文本批量添加标签 #

原始XML片段

<p> 
    lorem ipsum dolor <hi>a</hi>met. 
    Thing_A, <thing>Thing_B</thing>, Thing_C 
    </p>

期望结果

<p> lorem ipsum dolor <hi>a</hi>met. 
<thing>Thing_A</thing>, <thing>Thing_B</thing>, <thing>Thing_C</thing>
</p>

当前代码及问题

已创建目标文本列表：

things = ['Thing_A', 'Thing_B', 'Thing_C']

尝试用BeautifulSoup查找文本并添加标签，但find(text)返回None，代码如下：

text = things[0]
print(text)
stelle = soup.find(text)
print(stelle)
tag = soup.new_tag('rs')
tag.append(text)
print(tag)

输出：

Thing_A
None
<rs>Thing_A</rs>

问题2：修正XML结构 #

当前错误结构

<body><tei xml:id="pa029" xmlns="http://www.tei-c.org/ns/1.0">
    <teiheader>
<!-- The TEI-header from before-->
    </teiheader>
    <!--  <standOff/>-->
    <text>
    <pb n="29v"></pb>
    <p>
 {some content}
</p>
</text>
</tei>
</body>

期望正确结构

<text><body>{some content} </body></text></tei>

解决思路 #

针对问题1：批量包裹指定文本为标签 #

• 拆分文本节点并匹配替换
  目标文本可能和标点、空格处于同一个文本节点，直接用find(text=...)无法匹配，需要遍历文本节点并拆分处理：

  import re
  from bs4 import BeautifulSoup
  
  soup = BeautifulSoup(your_xml_content, 'xml')
  things = ['Thing_A', 'Thing_B', 'Thing_C']
  
  for p_tag in soup.find_all('p'):
      # 遍历p标签下的所有子节点
      for child in list(p_tag.contents):
          if child.string:
              original_str = child.string
              # 按目标文本拆分字符串
              parts = re.split(f'({"|".join(things)})', original_str)
              new_content = []
              for part in parts:
                  if part in things:
                      # 创建thing标签包裹匹配项
                      thing_tag = soup.new_tag('thing')
                      thing_tag.string = part
                      new_content.append(thing_tag)
                  elif part.strip():
                      new_content.append(part)
              # 替换原文本节点
              child.replace_with(*new_content)
  

  该方法会自动处理已被标签包裹的内容（比如Thing_B），不会重复包裹。

针对问题2：调整XML结构层级 #

• 移动节点修正层级关系
  通过BeautifulSoup的节点操作方法，把内容从错误的外层body移到text内部的body中：

  soup = BeautifulSoup(your_xml_content, 'xml')
  
  # 获取核心节点
  tei_tag = soup.find('tei')
  text_tag = tei_tag.find('text')
  outer_body = soup.find('body')
  
  if outer_body and text_tag:
      # 将外层body的内容移到text标签下
      for child in outer_body.contents:
          if child != tei_tag:
              text_tag.append(child)
      # 删除原外层body标签
      outer_body.decompose()
      # 在text内部创建新的body标签，并迁移内容
      new_body = soup.new_tag('body')
      # 遍历text的子节点，将需要的内容移入新body（可根据需求调整过滤规则）
      for child in list(text_tag.contents):
          if child.name not in ['teiheader', 'pb']:
              new_body.append(child)
      text_tag.append(new_body)
  

  注意使用xml解析器处理带命名空间的TEI文件，避免解析异常。

内容的提问来源于stack exchange，提问作者KWunsch