使用DOM解析器删除重复的HTML属性
使用DOM解析器删除重复的HTML属性
提问于 2018-03-10 19:55:29
我有多个垃圾HTML源，我想通过编程来修复它们。它们是具有相同类型的多个属性附加到元素的HTML文件，这在HTML中显然是不正确的。这样的标签示例：
<img alt=" " alt="Turtle" src="turtle.png" alt alt="Funny Turtle" alt="">我想对这个标记做的是只保留第一个非空的alt属性(只有空格被认为是空的)，如下所示：
<img alt="Turtle" src="turtle.png">如果只有空属性或只有空格的属性，则该属性可以消失。
我正在考虑使用正则表达式来完成这项任务，但它似乎太容易出错。要避免从标记内部删除看起来像属性的文本，并不是一件容易的事。
更好的解决方案是DOM解析器，但我看到的只是忽略重复的属性，使属性数组关联，例如：
[
'alt' => ' ',
'src' => 'turtle.png',
]如果解析器可以获得所有属性，就像这样：
[
['name' => 'alt', 'value' => ' '],
['name' => 'alt', 'value' => 'Turtle'],
['name' => 'src', 'value' => 'turtle.png'],
['name' => 'alt', 'value' => null],
['name' => 'alt', 'value' => 'Funny Turtle'],
['name' => 'alt', 'value' => ''],
]这将是相当容易修复它。我只需要找到副本，然后将节点上的attibute设置为第一个值。
是否有任何DOM解析器获取所有属性，包括重复的属性？
回答 1
Stack Overflow用户
发布于 2018-03-12 05:34:04
不知道适合php的解析器，但作为替代解决方案，您可以使用python HTMLParser。
from HTMLParser import HTMLParser
class MyHTMLParser(HTMLParser):
def handle_starttag(self, tag, attrs):
if tag=='img':
print "tag:", tag, "attrs:",attrs
parser = MyHTMLParser()
parser.feed('<html><body><h1><img alt=" " alt="Turtle" src="turtle.png" alt alt="Funny Turtle" alt="">Parse me!</h1></body></html>')
# output:
# tag: img attrs: [('alt', ' '), ('alt', 'Turtle'), ('src', 'turtle.png'), ('alt', None), ('alt', 'Funny Turtle'), ('alt', '')]页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/49208771
复制相关文章
相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号