如何修复错误的嵌套/未闭合的HTML标记？
如何修复错误的嵌套/未闭合的HTML标记？
提问于 2008-11-16 04:14:58
我需要清理由用户提交的HTML通过关闭任何与正确的嵌套顺序打开的标签。我一直在寻找一种算法或Python代码来做这件事，但除了PHP等的一些半生不熟的实现外，我什么也没找到。
例如，类似这样的内容
<p>
<ul>
<li>Foo变成了
<p>
<ul>
<li>Foo</li>
</ul>
</p>如有任何帮助，我们将不胜感激:)
回答 3
Stack Overflow用户
回答已采纳
发布于 2008-11-16 06:05:25
使用BeautifulSoup：
from BeautifulSoup import BeautifulSoup
html = "<p><ul><li>Foo"
soup = BeautifulSoup(html)
print soup.prettify()得到你
<p>
<ul>
<li>
Foo
</li>
</ul>
</p>据我所知，您无法控制将标记与Foo放在不同的行中。
使用Tidy：
import tidy
html = "<p><ul><li>Foo"
print tidy.parseString(html, show_body_only=True)得到你
<ul>
<li>Foo</li>
</ul>不幸的是，我不知道如何在示例中保留标记。Tidy将其解释为一个空段落，而不是一个未结束的段落。
print tidy.parseString(html, show_body_only=True, drop_empty_paras=False)出来的结果是
<p></p>
<ul>
<li>Foo</li>
</ul>当然，最终，您的示例中的标记是多余的，因此您可能会忽略它。
最后，Tidy还可以进行缩进：
print tidy.parseString(html, show_body_only=True, indent=True)变成了
<ul>
<li>Foo
</li>
</ul>所有这些都有起伏，但希望其中一个足够接近。
Stack Overflow用户
发布于 2017-08-23 15:08:13
使用html5lib，工作起来很棒！就像这样。
soup = BeautifulSoup(data，'html5lib')
Stack Overflow用户
发布于 2015-09-17 17:38:25
刚才，我得到了一个html，它的lxml和pyquery不能很好地工作，似乎在html中有一些错误。由于Tidy不容易安装在windows上，所以我选择了BeautifulSoup。但我发现：
from BeautifulSoup import BeautifulSoup
import lxml.html
soup = BeautifulSoup(page)
h = lxml.html(soup.prettify())与h = lxml.html(page)的行为相同
真正解决我问题的是soup = BeautifulSoup(page, 'html5lib')。
您应该先安装html5lib，然后才能在BeautifulSoup中将其用作解析器。html5lib解析器似乎比其他解析器工作得更好。
希望这能对某些人有所帮助。
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/293482
复制相关文章
相似问题