文章/答案/技术大牛

发布

社区首页 >问答首页 >使用html5lib解析任何html5lib

问使用html5lib解析任何html5lib
EN

Stack Overflow用户

提问于 2014-11-03 15:27:09

回答 1查看 1.2K关注 0票数 1

我需要整理HTML页面，并用Python将它们转换成XML；如果需要，我需要丢失一些“坏”部分。

我使用了TagSoup一段时间，但是它不理解新的“文章”、“页脚”标记，并且不喜欢"meta“(当它们不在头上时)；这使得生成的XML几乎无法处理。

我喜欢html5lib到目前为止所做的事情，但是我的第五个测试(非常奇怪的测试)失败了；当解析时

<div attr="val"">

使用html5lib + xml.dom树构建器，我在生成的XML字符串中获得了以下内容：

<div attr="val" "="">

这对于格式良好的xml来说不是一个很好的结果。

当我尝试html5lib + lxml作为树构建器时，我将其转换为

<div attr="val" U00022="">

这样做更好，但问题是lxml“吃”了<link>标记的结束标记/斜线，使得它们在输出<link>标记时只使用<link ... >。

您推荐使用什么？

html5lib

python

xml

回答 1

Stack Overflow用户

回答已采纳

发布于 2014-11-03 15:35:53

可以使用method将元素设置为自关闭或不关闭，如下所示：

from lxml import etree

tree = etree.Element('div', attrib={'attr':'val', 'U00022':''})
etree.tostring(tree)
'<div U00022="" attr="val"/>'

# parse as self-closing tag
etree.tostring(tree, method='xml')
'<div U00022="" attr="val"/>'
# parse as normal HTML
etree.tostring(tree, method='html')
'<div U00022="" attr="val"></div>'

那就随心所欲吧。当您尝试从元素编写时，也可以添加method：

tree = html5lib.parse('<div attr="val" U00022="">', treebuilder='lxml', namespaceHTMLElements=False)
tree.write('yourfilename', method='html')

打印：

<html><head></head><body><div u00022="" attr="val"></div></body></html>

票数 2

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/26717379

复制

相似问题

问使用html5lib解析任何html5lib
EN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问使用html5lib解析任何html5libEN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问使用html5lib解析任何html5lib
EN