HTML文件翻译后未替换原文本问题求助（附Python代码）

核心问题 #

原代码的错误在于：

• 使用soup.get_text()提取的是所有文本的拼接结果，但原HTML中的文本是分散在各个标签节点里的，原HTML字符串中根本不存在与这个拼接字符串完全一致的内容，因此html_text.replace(text, translated_text)无法匹配到需要替换的内容，导致替换失败。
• 直接操作原HTML字符串的方式，不仅无法精准定位文本，还可能在文本包含特殊字符时破坏原有HTML结构。

修正后的代码 #

import os
from google.cloud import translate_v2 as translate
from bs4 import BeautifulSoup
from bs4.element import NavigableString

def translate_html_files(root_dir, dest_lang='hi', source_lang='en'):
    # Authenticate the Google Cloud API client
    credentials_file = 'google_translate_key.json'
    os.environ['GOOGLE_APPLICATION_CREDENTIALS'] = credentials_file
    client = translate.Client()

    # Traverse all subdirectories and translate HTML files
    for subdir, dirs, files in os.walk(root_dir):
        for file in files:
            if file.endswith('.html'):
                file_path = os.path.join(subdir, file)
                print(f'Translating {file_path}...')

                # Open the HTML file and read its contents
                with open(file_path, 'r', encoding='utf-8') as f:
                    html_text = f.read()

                # Parse the HTML using BeautifulSoup
                soup = BeautifulSoup(html_text, 'html.parser')

                # 遍历所有文本节点，仅翻译非空白的文本内容
                for element in soup.descendants:
                    # 只处理纯文本节点，排除标签、注释等
                    if isinstance(element, NavigableString) and element.strip():
                        # 翻译当前文本节点内容
                        translation = client.translate(
                            element.string.strip(),
                            target_language=dest_lang,
                            source_language=source_lang
                        )
                        # 替换原文本节点内容，保留原格式（比如前后空格）
                        element.replace_with(f"{element.string[:len(element.string)-len(element.string.strip())]}{translation['translatedText']}{element.string[len(element.string.strip()):]}")

                # 将修改后的soup转换为HTML字符串
                translated_html = soup.prettify()

                # Write the translated HTML back to the file
                with open(file_path, 'w', encoding='utf-8') as f:
                    f.write(translated_html)

                print(f'Translation of {file_path} complete.')

    print('All HTML files translated successfully!')

if __name__ == '__main__':
    root_directory = './Websites'
    destination_language = 'ar'
    source_language = 'en'

    translate_html_files(root_directory, destination_language, source_language)

关键修改说明 #

• 遍历HTML的所有后代节点，筛选出**纯文本节点（NavigableString）**且内容非空白的节点进行处理，确保只翻译页面中的可见文本，不改动标签结构。
• 翻译单个文本节点后，直接替换该节点的内容，保留原文本的前后空格格式，避免破坏页面布局。
• 使用soup.prettify()将修改后的BeautifulSoup对象转换为HTML字符串，确保输出的HTML结构完整且格式规范。

内容的提问来源于stack exchange，提问作者Penguin