BS4を用いてHTMLタグの種類によってテキスト部分を抽出・編集したい（入れ子の場合の処理の仕方について）

現在、HTMLタグを種類毎にスコアを決め、そのスコアの合計に応じて異なる処理をしようとしています。

例えば、が2点でが1点の場合…

html
1<b>あいうえお</b><i>かきくけこ<b>さしすせそ</b></i>

という状態から

text
1[2]あいうえお[/2][1]かきくけこ[3]さしすせそ[/3][/1]

のような文字列を生成したいと思っています。

"あいうえお"はのみなので2点
"かきくけこ"はのみなので1点
"さしすせそ"はとの両方なので1+2=3点
となります。

以前は、

python
1find = soup.find_all(tag)
2    for text in find:
3        text.replace_with(start + text.string + end)
4        #startとendはタグの種類によって変わる

のようにスコアの対象となるタグに関して上記を実行していました。
しかし、上記の場合、タグの入れ子の順番や変換するタグの順番で結果が変わってしまいます。

例えば、

html
1<b><i>あいうえお</i></b>

これに対し変換を行うと

text
1<b>→<i>の場合
2[2]あいうえお[/2]
3<i>→<b>の場合
4[2][1]あいうえお[/1][/2]

現在、解決方法を探し始めた状態での質問になります。
新しい方法が見つかり次第、質問内容を更新していきます。
アドバイスのほどよろしくお願いします。

追記--

python
1find = soup.find_all(tag)
2    for text in find:
3        text.string = start + text.string + end
4        #startとendはタグの種類によって変わる

としてみたが結果は同じだった

追記2--

python
1def list_check(f,L,tag): #listでなかったら関数に投げる
2    if isinstance(L,list):
3        if L == []:
4            return []
5        else:
6            return [list_check(f,L[0],tag)] + list_check(f,L[1:],tag)
7    else:
8        return f(L,tag)
9
10def contents_check(contents,tag): #
11    for contents_list in contents.find_all(tag):　#スコア対象のタグ一覧から該当するものを探す
12        tag_num=0
13        for content in contents_list.contents: #子の要素にタグがあるか確認
14            if content.name != None:
15                tag_num = 1
16        if tag_num == 0: #子にタグがなかったら（入れ子の一番内側）
17            """
18            タグごとのスコア決めは省略
19            """
20            contents_list.replace_with(start + contents_list.string + end) #点数で挟む[1]~~~[/1]など
21        else:
22            list_check(contents_check,contents_list.contents,tag) #子の要素にタグがある場合、もう一周

この場合、2周目のcontentsのクラスがbs4.element.Tagのためfind_allが使えなかった
また、find_allだと"あいうえお"に対して、[あいうえお,あいうえお]と同一のテキストを複数回抽出してしまう

追記3--

python
1while 1: #子要素がなくなるまでひたすら繰り返す
2        j=0 #ループ抜け用
3        for tag in tag_list: #スコア対象のタグについて一つずつ確認
4            for contents in soup.find_all(tag):
5                i=0 #子要素があるか確認
6                for content in contents.contents:
7                    if content.name != None:
8                        i+=1
9                        j+=1
10                if i==0: #子要素がなかったら該当スコアをタグ形式で付与
11　　　　　　　　　　　#タグごとのスコア決めは省略
12                    contents.string = start + contents.string + end
13                    contents.unwrap() #スコアを付与したらタグを外す
14        if j==0: break

これによって"あいうえお"に対して"[2][1]あいうえお[/1][/2]"と出力できるようになった
次は"[2][1]あいうえお[/1][/2]"を"[3]あいうえお[/3]"とまとめたい

行動規範の内容に同意します

回答1件

ベストアンサー

回答

HTML は木構造になっているので、深さ優先探索を行う際に、タグ名が "b"、"i" のノードが見つかった場合は重みを加算を行うことで、階層構造を考慮することができます。

コード

python
1from bs4 import BeautifulSoup
2
3html = "<b>あいうえお</b><i>かきくけこ<b>さしすせそ</b></i>"
4soup = BeautifulSoup(html)
5
6def traverse(node, weight):
7    # b タグまたは i タグが見つかった場合、重みを加算して、
8    # 名前を現在の重みで置き換える。
9    if node.name == "b":
10        weight += 2
11        node.name = str(weight)
12    elif node.name == "i":
13        weight += 1
14        node.name = str(weight)
15
16    # ノードが子を持つ場合
17    if hasattr(node, "children"):
18        for child in node.children:
19            traverse(child, weight)
20
21
22traverse(soup, 0)
23print(soup)
24# <2>あいうえお</2><1>かきくけこ<3>さしすせそ</3></1>
25# もし、<> を [] にしたい場合、正規表現による置換などの後処理を行ってください。