Question

我正在验证来自 html5lib 的用户的自定义HTML。问题是html5lib添加了html，head和body标记，我不需要这些标记。

parser = html5lib.HTMLParser(tree=treebuilders.getTreeBuilder("simpleTree"))
f = open('/home/user/ex.html')
doc = parser.parse(f)
doc.toxml()
'<html><head/><body><div>\n  <a href="http://speedhunters.com">speedhunters.com\n</a></div><a href="http://speedhunters.com">\n</a></body></html>'

这已经过验证，可以进行清理，但是如何删除或阻止将这些标记添加到树中？我的意思是使用。{/ p>排除replace

Answer 1

似乎我们可以使用hidden的{{1}}属性来防止在将标记/汤转换为字符串/ unicode时标记本身被“导出”：

Tag

基本上，提问者的目标是在没有>>> from bs4 import BeautifulSoup >>> html = u"<div><footer><h3>foot</h3></footer></div><div>foo</div>" >>> soup = BeautifulSoup(html, "html5lib") >>> print soup.body.prettify() <body> <div> <footer> <h3> foot </h3> </footer> </div> <div> foo </div> </body>包装器的情况下获取body标签的全部内容。这有效：

<body>

我通过浏览BeautifulSoup来找到了这个。调用>>> soup.body.hidden=True >>> print soup.body.prettify() <div> <footer> <h3> foot </h3> </footer> </div> <div> foo </div>后，根标签的内部名称为“[document]”。默认情况下，只有根标记具有soup = BeautifulSoup(html)。这可以防止其名称以任何HTML输出结束。

Answer 2

哇，html5lib有可怕的文档。

查看源代码并开发快速测试用例，这似乎有效：

import html5lib
from html5lib import treebuilders
parser = html5lib.HTMLParser(tree=treebuilders.getTreeBuilder("simpleTree"))
with open('test.html') as test:
    doc = parser.parse(test)
    for child in doc:
        if child.parent.name == "body":
            return child.toxml()

有点hackish，但不如replace()。

Answer 3

如果您正在处理“不常见”的HTML，

lxml可能是更好的选择。

html5lib。如何在不添加html，head和body标签的情况下获得有效的html？

3 个答案: