使用Python的BeautifulSoup替换大HTML标签文本遇DOM遍历问题

你的代码存在几个核心问题，导致翻译不完整：

1. 错误的DOM遍历方式：tag.string仅在标签是纯文本叶子节点时存在，嵌套标签内的文本节点会被遗漏；直接遍历标签并逐个写入文件会破坏HTML结构。
2. 文件操作逻辑错误：用r+模式打开写入文件会导致内容混乱，且没有一次性输出修改后的完整DOM树。
3. 空白文本未正确过滤：仅判断tag.string != '\n'不够，还需过滤其他空白字符。

修正后的代码 #

from bs4 import BeautifulSoup as bs
from englisttohindi.englisttohindi import EngtoHindi

readFile = "./index.html"
writeFile = "./index1.html"

def translate_page(readFile, writeFile):
    # 读取原始HTML文件，指定编码避免乱码
    with open(readFile, 'r', encoding='utf-8') as f:
        soup = bs(f.read(), 'html.parser')
    
    # 遍历所有文本节点，而非标签
    for text_node in soup.find_all(string=True):
        # 跳过不需要翻译的标签的文本，以及空白文本
        parent_tag = text_node.parent.name
        if parent_tag in ['script', 'style', 'meta', 'link']:
            continue
        if text_node.strip() == '':
            continue
        
        # 翻译文本并替换原节点
        translated_text = EngtoHindi(message=text_node.strip()).convert
        text_node.replace_with(translated_text)
    
    # 将修改后的完整DOM树写入文件
    with open(writeFile, 'w', encoding='utf-8') as f1:
        f1.write(str(soup))

translate_page(readFile, writeFile)

关键修改点说明 #

• 遍历文本节点：使用soup.find_all(string=True)直接获取所有文本内容，确保嵌套标签内的文本也能被处理。
• 过滤无效内容：检查文本节点的父标签，跳过script、style等不需要翻译的标签；过滤纯空白文本，避免无意义翻译。
• 正确的文件操作：使用with语句自动管理文件句柄，避免资源泄漏；修改完成后一次性输出完整的soup结构，保证HTML格式正确。
• 编码处理：打开文件时指定utf-8编码，避免翻译后的印地语或中文出现乱码。

内容的提问来源于stack exchange，提问作者karim_mo