python：根據內容替換HTML元素

Question

我有一個html文檔，其中一些元素包含我想隱藏的內容（比如中國政府正在做的事情，除了我只是想隱藏機密信息）。例如說我有：

<div> 
    <span> bkhiu jknd o so so so yui iou 789 </span> 
    <span> 
     bkhiu 
     <div> 56 898tr SECRET oij890 </div> 
    </span> 
</div> 

我想所有包含字符串SECRET的元素，只是###取代他們的全部內容：

<div> 
    <span> bkhiu jknd o so so so yui iou 789 </span> 
    <span> 
     bkhiu 
     <div>###</div> 
    </span> 
</div> 

我曾想過使用minidom和re的東西，如：

xmldoc = minidom.parseString(my_html_string) 
# filtering nodes by their content 
sensitive_nodes = filter(lambda n: re.search('SECRET', n.nodeValue), 
    xmldoc.getElementsByTagName()) 
# replacing content 
for node in sensitive_nodes: 
    node.nodeValue = '###' 
# output 
my_html_string = xmldoc.toxml() 

但首先解析甚至沒有成功：

ExpatError: mismatched tag: line 27, column 6 

而且.getElementsByTagName()需要tagName參數......雖然我不關心標籤名稱和需要的所有節點（爲了通過他們的內容進行篩選）。那麼基本上，這些代碼根本不起作用，但只是試圖解釋我想實現的目標。

任何想法如何我可以輕鬆地做到這一點？用小型號或者完全不同的東西？

Answer 1

好吧...我發現了一個非常簡單的方法，使用BeautifulSoup：

import re 
from BeautifulSoup import BeautifulSoup 

soup = BeautifulSoup(my_html) 
nodes_to_censor = soup.findAll(text=re.compile('.*SECRET.*')) 
for node in nodes_to_censor: 
    node.replaceWith('###')