Question

我刚刚开始在一个网页上工作，这个网站上的所有HTML都在一行中，这对于阅读和使用来说真的很痛苦。我正在寻找一个工具（最好是一个Python库），除了添加换行符和适当的缩进外，它将采用HTML输入并保持相同的HTML不变。（所有标签，标记和内容都应保持不变。）

库不必处理格式错误的HTML;我首先通过html5lib传递HTML，因此它将获得格式良好的HTML。但是，如上所述，我宁愿它不会改变任何实际的标记本身;我相信html5lib，宁愿让它处理正确性方面。

首先，有人知道只有html5lib这是否可行？（不幸的是，他们的文档看起来有点稀疏。）如果没有，你会建议使用什么工具？我见过有人推荐HTML Tidy，但我不确定它是否可以配置为只改变空格。（除非插入空格，否则它会执行任何操作，如果它通过格式良好的HTML开始？）

Answer 1

算法

将html解析为某种表示
将表示序列化回html

示例html5lib parser with BeautifulSoup tree builder

#!/usr/bin/env python
from html5lib import HTMLParser, treebuilders

parser = HTMLParser(tree=treebuilders.getTreeBuilder("beautifulsoup"))

c = """<HTML><HEAD><TITLE>Title</TITLE></HEAD><BODY>...... </BODY></HTML>"""

soup = parser.parse(c)
print soup.prettify()

输出：

<html>
 <head>
  <title>
   Title
  </title>
 </head>
 <body>
  ......
 </body>
</html>

Answer 2

我选择了J.F. Sebastian的答案，因为我觉得这是最简单的，也是最好的，但我为那些不想安装Beautiful Soup的人添加了另一种解决方案。（另外，Beautiful Soup树构建器将是deprecated in html5lib 1.0。）这个解决方案归功于Amarghosh的提示;我只是把它充实了一点。看看html5lib，我意识到它将原生输出一个minidom对象，这意味着我可以使用他对toprettyxml()的建议。这就是我想出的：

from html5lib import HTMLParser, treebuilders
from cStringIO import StringIO

def tidy_html(text):
  """Returns a well-formatted version of input HTML."""

  p = HTMLParser(tree=treebuilders.getTreeBuilder("dom"))
  dom_tree = p.parseFragment(text)

  # using cStringIO for fast string concatenation
  pretty_HTML = StringIO()

  node = dom_tree.firstChild
  while node:
    node_contents = node.toprettyxml(indent='  ')
    pretty_HTML.write(node_contents)
    node = node.nextSibling

  output = pretty_HTML.getvalue()
  pretty_HTML.close()
  return output

一个例子：

>>> text = """<b><i>bold, italic</b></i><div>a div</div>"""
>>> tidy_html(text)
<b>
  <i>
    bold, italic
  </i>
</b>
<div>
  a div
</div>

为什么我要迭代树的子项，而不是直接在toprettyxml()上调用dom_tree？我正在处理的一些HTML实际上是HTML片段，所以它缺少<head>和<body>标签。为了解决这个问题，我使用了parseFragment()方法，这意味着我得到了一个DocumentFragment（而不是Document）。不幸的是，它没有writexml()方法（toprettyxml()调用），因此我遍历了具有该方法的子节点。

Answer 3

如果html确实是格式良好的xml，你可以使用DOM解析器。

from xml.dom.minidom import parse, parseString

#if you have html string in a variable
html = parseString(theHtmlString)

#or parse the html file
html = parse(htmlFileName)

print html.toprettyxml()

toprettyxml()方法允许指定缩进，换行符和输出的编码。您可能还想查看writexml()方法。

如何使用Python为现有HTML添加一致的空格？

3 个答案:

算法

示例html5lib parser with BeautifulSoup tree builder