清理丑陋的所见即所得 HTML 代码？ Python 或 *nix 实用程序

Posted 2023-02-23

【中文标题】清理丑陋的所见即所得 HTML 代码？ Python 或 *nix 实用程序

【英文标题】：Clean up ugly WYSIWYG HTML code? Python or *nix utility

【发布时间】：2011-08-27 01:30:05

【问题描述】：

我终于升级（重写 ;)）我的第一个 Django 应用程序，但我正在迁移所有内容。

我愚蠢地给了用户一个完整的WYSIWYG编辑器来完成某些任务，生成的html代码当然非常丑陋，带有比内容更多的额外标签。

有谁知道我可以用来清理代码的库或外部 shell 应用程序吗？

我有时会使用 tidy，但据我所知，这并不能满足我的要求。我想简化所有额外的跨度和其他垃圾标签。我用一些正则表达式清理了最令人反感的违规样式，但我需要很长时间才能使用正则表达式来做更多的事情。

有什么想法吗？

【问题讨论】：

标准答案是Beautiful Soup。 “额外的跨度”和“垃圾标签”是您需要非常非常仔细地定义的东西，这样您就可以在不删除内容的情况下删除标签。

它可能重做 HTML 而不是清理你拥有的 HTML 是一个更好的主意。

【参考方案1】：

您还可以查看Bleach 一个基于白名单的 HTML 清理程序。它使用 html5lib 来完成 Kyle 发布的内容，但您可以更好地控制最终输出中允许哪些元素和属性。

【参考方案2】：

Beautiful Soup 可能会为您提供更完整的解决方案，但您可能可以使用 html5lib 更简单地完成一些清理工作（如果您对 html5 规则满意的话）：

import html5lib
from html5lib import sanitizer, treebuilders, treewalkers, serializer

my_html = "<i>Some html fragment</I>" #intentional 'I'

html_parser = html5lib.HTMLParser(tree=treebuilders.getTreeBuilder("dom"))
dom_tree = html_parser.parseFragment(my_html)
walker = treewalkers.getTreeWalker("dom")
stream = walker(dom_tree)
s = serializer.htmlserializer.HTMLSerializer(omit_optional_tags=False, quote_attr_values=True)
cleaned_html = s.render(stream)
cleaned_html == '<i>Some html fragment</i>"

您还可以通过像这样初始化 html_parser 来清理 html：

html_parser = html5lib.HTMLParser(tree=treebuilders.getTreeBuilder("dom"), tokenizer=sanitizer.HTMLSanitizer)

【参考方案3】：

标准答案是Beautiful Soup。

“额外跨度”和“垃圾标签”是您需要非常非常仔细地定义的内容，这样您就可以在不删除内容的情况下删除标签。

我建议你做两件事。

修复您的应用，使用户在任何情况下都不会提供 HTML。 Django 可以使用更加用户友好的 RST 标记。 http://docs.djangoproject.com/en/1.3/ref/templates/builtins/#django-contrib-markup

编写一个 Beautiful Soup 解析器并将用户的 content 转换为 RST 标记。保留结构元素（标题、列表等）并尽可能丢失格式。