21

正しいネスト順序で開いているタグを閉じて、ユーザーが送信した HTML をサニタイズする必要があります。これを行うためのアルゴリズムまたは Python コードを探していましたが、PHP などの中途半端な実装以外は何も見つかりませんでした。

たとえば、次のようなもの

<p>
  <ul>
    <li>Foo

になる

<p>
  <ul>
    <li>Foo</li>
  </ul>
</p>

どんな助けでも大歓迎です:)

4

5 に答える 5

32

BeautifulSoup を使用:

from BeautifulSoup import BeautifulSoup
html = "<p><ul><li>Foo"
soup = BeautifulSoup(html)
print soup.prettify()

あなたを取得します

<p>
 <ul>
  <li>
   Foo
  </li>
 </ul>
</p>

私の知る限り、<li></li> タグを Foo とは別の行に配置することは制御できません。

Tidyを使用：

import tidy
html = "<p><ul><li>Foo"
print tidy.parseString(html, show_body_only=True)

あなたを取得します

<ul>
<li>Foo</li>
</ul>

残念ながら、この例で <p> タグを保持する方法はわかりません。Tidy はそれを閉じられていない段落ではなく、空の段落として解釈します。

print tidy.parseString(html, show_body_only=True, drop_empty_paras=False)

として出てくる

<p></p>
<ul>
<li>Foo</li>
</ul>

もちろん、最終的には、例の <p> タグは冗長であるため、なくても問題ない場合があります。

最後に、Tidy はインデントも実行できます。

print tidy.parseString(html, show_body_only=True, indent=True)

になる

<ul>
  <li>Foo
  </li>
</ul>

これらにはすべて浮き沈みがありますが、そのうちの 1 つが十分に近いことを願っています。

于 2008-11-16T06:05:25.297 に答える
10

Tidyまたは移植されたライブラリの 1 つを使用して実行します。

手でコーディングしようとすると、目を丸くしたくなるでしょう。

于 2008-11-16T04:17:52.173 に答える
1

今、lxml と pyquery がうまく機能しない html を取得しました。html にいくつかのエラーがあるようです。Tidy を Windows にインストールするのは簡単ではないため、 を選択しますBeautifulSoup。しかし、私はそれを見つけました：

from BeautifulSoup import BeautifulSoup
import lxml.html
soup = BeautifulSoup(page)
h = lxml.html(soup.prettify())

と同じように振る舞うh = lxml.html(page)

私の問題を実際に解決するのは ですsoup = BeautifulSoup(page, 'html5lib')。
最初にインストールhtml5libしてから、 でパーサーとして使用できますBeautifulSoup。 html5libパーサーは他のパーサーよりもはるかに優れているようです。

これが誰かを助けることを願っています。

于 2015-09-17T09:38:25.117 に答える