HTML中多音字标注必须结合上下文识别,不能用正则直接替换,否则会因忽略语义歧义和HTML标签结构导致错误;需用html.parser解析DOM,仅处理纯文本节点,依据前后缀规则匹配轻量词典实现安全标注。

HTML中多音字标注不能靠简单字符串替换解决,必须结合上下文识别,否则会把“银行”的“行”标成 xíng,或把“行走”的“行”标成 háng。
为什么正则直接替换多音字会出错
多音字本质是语义歧义问题,不是文本模式问题。用 re.sub(r"行", "xíng", text) 这类写法,不管上下文,必然翻车。
- “银行” → “银xíng”(错误,应为 háng)
- “行走” → “走xíng”(正确,但无法保证)
- HTML 中还夹杂标签,比如
<span class="term">行</span>,正则若没排除标签内容,可能误改结构 - 同一汉字在不同
<div> 或 <code><p></p>里语义不同,需分块判断用 Python + 简单词典做上下文感知替换
不依赖大模型,用轻量词典+前后缀规则,在 HTML 文本中安全标注。核心思路:只处理纯文本节点,跳过标签、属性、注释。
DeepBI DHTML 页面生成器下载生成可在 deepbi 沙箱 iframe 内运行或作为独立文件运行的交互式 HTML 页面,使用 `window.deepbi` JS SDK 实现数据查询、空间管理、文件浏览及用户操作。当用户提出以下需求时启用该能力: - 创建 KPI 仪表盘、数据表格、文件浏览器、成员列表、管理页面; - 明确要求“转成 dhtml”、“转译成 HTML”、“把 XX 页面转成……”、“控制台页面”、“管理后台”、“DeepBI 页面迁移”; - 提及位于 `apps/console/src/featur
- 用
html.parser(标准库)解析 HTML,遍历Text类型节点 - 对每个文本片段,按字扫描,遇到多音字时,检查前 2 字 + 后 2 字是否匹配预设词缀
- 示例逻辑:
"行"前面是"银"或"航"→ 选hang2;前面是"走"或"进"→ 选xing2 - 标注格式统一用数字标调(如
hang2),避免符号标调在 HTML 中被转义或渲染异常
关键代码片段:
立即学习“前端免费学习笔记(深入)”;
from html.parser import HTMLParser <p>class PinyinReplacer(HTMLParser): def <strong>init</strong>(self, poly_dict): super().<strong>init</strong>() self.poly_dict = poly_dict self.output = [] self._in_tag = False</p><pre class='brush:php;toolbar:false;'>def handle_starttag(self, tag, attrs): self._in_tag = True self.output.append(f"<{tag}") for k, v in attrs: self.output.append(f' {k}="{v}"') self.output.append(">") def handle_endtag(self, tag): self._in_tag = False self.output.append(f"</{tag}>") def handle_data(self, data): if self._in_tag: self.output.append(data) return # 只对纯文本做拼音标注 new_data = "" for i, c in enumerate(data): if c in self.poly_dict: context = data[max(0, i-2):i] + data[i+1:min(len(data), i+3)] pinyin = self._guess_pinyin(c, context) new_data += f"{c}({pinyin})" else: new_data += c self.output.append(new_data)批量处理 HTML 文件时的编码与结构陷阱
HTML 文件常混用编码(GBK/BOM/UTF-8 with BOM),直接用
open(file).read()容易乱码,导致词缀匹配失败或崩溃。- 务必用
chardet或charset-normalizer先探测编码,再用对应编码读取 —— 不要硬写encoding="utf-8" - 含
<script></script>或<style></style>的文件,其内部文本不应被标注,需在 parser 中跳过这些标签内容 - 替换后生成新 HTML 时,保留原始
<meta charset>声明,避免浏览器解析错乱 - 建议加 dry-run 模式:先输出变更行数和样例,确认无误再写入文件
真正难的不是标出拼音,而是让“银行”和“行走”在同一个 HTML 文件里各自标对 —— 这要求你放弃全局查找替换,转向基于 DOM 片段的上下文判断。工具可以轻量,逻辑不能偷懒。
- 用


















