PythonでXHTMLのタグを除去するときにルビを置換したい

前提・実現したいこと

Pythonで、XHTMLのタグを除去しようとしています。
このとき、ルビ<rt>だけは、青空文庫形式の記号＜＞(全角の不等号)に置換したいのですが、上手く行きません。

<rt>るびほんぶん</rt>
というのがあれば、るびほんぶんという部分を＜るびほんぶん＞と置換し、最後にまとめて出力しようとしています。

発生している問題・エラーメッセージ

ルビが＜ルビ＞に置換されないまま出力される

該当のソースコード

Python 3.7

from lxml import etree
from lxml import html
from bs4 import BeautifulSoup 

f=open('story-0004.xhtml','rb')


s=BeautifulSoup(f.read(),"lxml")
i=0
for tag in s.find_all():
    if tag.find_all('rt'):
        try:
            x='＜' + tag.string + '＞'
            a=tag.text.replace(tag.string,x)
            s.tag.text=x #この行が反映されない。
        except:
            pass

print(s.text) #tagが置換されずに出力される

試したこと

s.tag.textが多分、元のBeautifulsoupオブジェクトsそのものではなく、
forループの中だけで一時的に生成されるオブジェクトか何かなのではないかと思うのですが、
元のオブジェクトをどうやって呼び出すのかが分かりません。

補足情報（FW/ツールのバージョンなど）

ここにより詳細な情報を記載してください。

行動規範の内容に同意します

回答1件

ベストアンサー

元のxhtmlソースがわからないので適当に作りました。
概ね、以下のようなことをされたいのだと思うのですが。

python3
1from bs4 import BeautifulSoup 
2
3f="""
4<!DOCTYPE html>
5<html>
6<head>
7</head>
8<body>
9<div>
10<p><ruby>漢<rt>かん</rt>字<rt>じ</rt></ruby></p>
11<p><ruby>文<rt>も</rt>字<rt>じ</rt></ruby>ごとにルビを<ruby>振<rt>ふ</rt></ruby>るサンプルです。</p>
12</div>
13</body>
14</html>
15"""
16
17s=BeautifulSoup(f)
18for tag in s.find_all("rt"):
19    tag.string = '＜' + tag.string + '＞'
20
21print(s.get_text())
22
23# 漢＜かん＞字＜じ＞
24# 文＜も＞字＜じ＞ごとにルビを振＜ふ＞るサンプルです。

以下、コメントに対して
・下記のようにするとわかりますが、stringは子要素の文字列が１つだけなら拾えますが、複数あるとNoneを返すようです。
参考：Beautifulsoup4のtextとstringの違い

python3
1for tag in s.find_all():
2    print(tag)
3    print("string: ",tag.string)
4    print("text: ",tag.text)

で、for tag in s.find_all():という指定だと<p><ruby>漢<rt>かん</rt>字<rt>じ</rt></ruby></p>などは、<p>の中にrubyとかrtとか複数の子要素があるのでNoneを返してしまいます。
で、x='＜' + tag.string + '＞'が文字列＋None＋文字列となって、まず失敗します。
次に、置き換えの際にもtag.textが複数の文字列の集合体なので、置換に失敗するようです。

・元コードではrtタグに指定するためかif tag.find_all('rt'):が使われていますが、これだと「tagの内部にrtタグを含むか」という条件になってしまい、htmlとかbodyの大枠でもTrueになります。
あえてやるならば、if tag.name == "rt":です。
ただ、わざわざifでやらなくてもfor tag in s.find_all("rt"):という指定でrtタグだけ回してあげれば、スムーズに行くようです。

あとオマケで、i=0は使ってないので不要なのと、a=tag.text.replace(tag.string,x)はaという置換後の文字列を代入した変数が増えただけで、元のtagを置き換えてはいないので効果がありません。

投稿2020/03/17 02:44

編集2020/03/18 00:30

jeanbiego

総合スコア3966

MakotoAkai

2020/03/17 08:52

ありがとうございます。書いていただいているのが、正にやりたい内容です。戴いたコードを参考にして、自分のコードと比較してみると、自分は、forループの中でif文を使って置換していましたが、戴いたコードでは、forループ無いで直接置換している点が違っていました。この点を修正すれば、意図した動作になったのですが、for文の中のif文で置換だとどうして上手く流れなかったのか、理由が良く分かりませんでした。もし、理由が分かれば教えて戴けませんでしょうか？