如何使用缩进将 HTML 漂亮地打印到文件中
Posted
技术标签:
【中文标题】如何使用缩进将 HTML 漂亮地打印到文件中【英文标题】：How to Pretty Print HTML to a file, with indentation 【发布时间】：2011-09-03 06:05:59 【问题描述】：我正在使用lxml.html 生成一些 HTML。我想将我的最终结果漂亮地打印（带有缩进）到一个 html 文件中。我该怎么做？
这是我到目前为止所尝试和得到的
import lxml.html as lh
from lxml.html import builder as E
sliderRoot=lh.Element("div", E.CLASS("scroll"), style="overflow-x: hidden; overflow-y: hidden;")
scrollContainer=lh.Element("div", E.CLASS("scrollContainer"), style="width: 4340px;")
sliderRoot.append(scrollContainer)
print lh.tostring(sliderRoot, pretty_print = True, method="html")
如您所见，我使用的是pretty_print=True 属性。我认为这会给出缩进的代码，但它并没有真正帮助。这是输出：
<div style="overflow-x: hidden; overflow-y: hidden;" class="scroll"><div style="width: 4340px;" class="scrollContainer"></div></div>
【问题讨论】：
【参考方案1】：我最终直接使用了BeautifulSoup。这是 lxml.html.soupparser 用于解析 HTML 的东西。
BeautifulSoup 有一个 prettify 方法，它完全按照它所说的做。它用适当的缩进和一切美化 HTML。
BeautifulSoup 不会修复 HTML，因此损坏的代码仍然损坏。但在这种情况下，由于代码是由 lxml 生成的，因此 HTML 代码至少在语义上应该是正确的。
在我的问题中给出的示例中，我必须这样做：
from BeautifulSoup import BeautifulSoup as bs
root = lh.tostring(sliderRoot) #convert the generated HTML to a string
soup = bs(root) #make BeautifulSoup
prettyHTML = soup.prettify() #prettify the html
【讨论】：
谢谢，但值得一提的是，如果对某人很重要，嵌入到 html 的js 不会美化。
在版本 4 中将第一行更改为 from bs4 import BeautifulSoup as bs
如果您只想从字符串中美化 html，请参阅下面 AlexG 的回答。
小心prettify，因为它改变了文档语义：“由于它添加了空格（以换行符的形式），prettify() 改变了 HTML 文档的含义，不应该用于重新格式化一个。prettify() 的目标是帮助您直观地了解您使用的文档的结构。"【参考方案2】：
我尝试了 BeautifulSoup 的 prettify 和 html5print 的 HTMLBeautifier 解决方案，但由于我使用 yattag 生成 HTML，因此使用它的 indent 函数似乎更合适，它可以产生很好的缩进输出。
from yattag import indent
rawhtml = "String with some HTML code..."
result = indent(
rawhtml,
indentation = ' ',
newline = '\r\n',
indent_text = True
)
print(result)
【讨论】：
【参考方案3】：如果再添加一个依赖不成问题，您可以使用html5print 包。与其他解决方案相比，它的优势在于它还美化了嵌入在 HTML 文档中的 CSS 和 javascript 代码。
要安装它，请执行：
pip install html5print
然后，您可以将其用作命令：
html5-print ugly.html -o pretty.html
或作为 Python 代码：
from html5print import HTMLBeautifier
html = '<title>Page Title</title><p>Some text here</p>'
print(HTMLBeautifier.beautify(html, 4))
【讨论】：
这会安装其他几个依赖项，包括 beautifulsoup4【参考方案4】：如果您将 HTML 存储为未格式化的字符串，在变量 html_string 中，可以使用 beautifulsoup4 来完成，如下所示：
from bs4 import BeautifulSoup
print(BeautifulSoup(html_string, 'html.parser').prettify())
【讨论】：
【参考方案5】：虽然我的回答现在可能没有帮助，但我将其放在这里以作为将来其他人的参考。
lxml.html.tostring() 事实上，尽管有pretty_print=True，它并不能很好地打印提供的 HTML。
但是，lxml.html - lxml.etree 的“兄弟”运行良好。
所以可以如下使用它：
from lxml import etree, html
document_root = html.fromstring("<html><body><h1>hello world</h1></body></html>")
print(etree.tostring(document_root, encoding='unicode', pretty_print=True))
输出是这样的：
<html>
<body>
<h1>hello world</h1>
</body>
</html>
【讨论】：
pretty_print 标志仅在使用method='xml' 调用etree.tostring 时有效，这是默认设置。所以，我们在这里处理 XHTML。
这是一个很好的答案，因为它不使用任何外部依赖项。但是，如果包含 HTML 的字符串有回车，etree.tostring 什么都没有，并且至少在 Python 2.7.10 上返回其输入，不变......一旦你知道，替换回车是一件简单的事情，但是你不知道会浪费很多时间。
这很棒，因为它只提供了选项卡的解决方案。这不会以其他方式更改 HTML，例如 BeautifulSoup 解决方案。
不！这就是为什么。 etree.tostring 会将 "" 缩短为 ""，这是不允许的。【参考方案6】：
在后台，lxml 使用libxml2 将树序列化回字符串。下面是相关的sn-p代码，判断关闭标签后是否追加换行符：
xmlOutputBufferWriteString(buf, ">");
if ((format) && (!info->isinline) && (cur->next != NULL))
if ((cur->next->type != HTML_TEXT_NODE) &&
(cur->next->type != HTML_ENTITY_REF_NODE) &&
(cur->parent != NULL) &&
(cur->parent->name != NULL) &&
(cur->parent->name[0] != 'p')) /* p, pre, param */
xmlOutputBufferWriteString(buf, "\n");
return;
所以如果一个节点是一个元素，不是一个内联标记并且后跟一个兄弟节点（cur->next != NULL）并且不是p, pre, param之一，那么它将输出一个换行符.
【讨论】：
【参考方案7】：不是我的代码，是我在某处挑选的
def indent(elem, level=0):
i = '\n' + level * ' '
if len(elem):
if not elem.text or not elem.text.strip():
elem.text = i + ' '
if not elem.tail or not elem.tail.strip():
elem.tail = i
for elem in elem:
indent(elem, level+1)
if not elem.tail or not elem.tail.strip():
elem.tail = i
else:
if level and (not elem.tail or not elem.tail.strip()):
elem.tail = i
我使用它：
indent(page)
tostring(page)
【讨论】：
【参考方案8】：你不能直接把它输入HTML Tidy吗？从 shell 或通过os.system()。
【讨论】：
我最初想使用 HTML Tidy，但我的代码有点古怪，而整洁最终却对它造成了破坏。决定改用 BeautifulSoup。像魅力一样工作。 HTML Tidy 更正您的 HTML 可以break things。如果您忘记了 HTML Tidy 正在处理结果（我知道我在说什么），那么很难找到此类错误... 比这里的 2011 年 cmets 更近，请参阅这个 2018 年问题的答案：***.com/questions/50380799/…。 “该库已损坏和/或不适用于 python 3.5。”可能会节省一些时间...【参考方案9】：如果您不关心古怪的 HTML（例如，您必须绝对支持那些使用 Netscpae 2.0 的客户端，因此必须使用 <br> 而不是 <br />），您可以随时将您的方法更改为“xml”，这似乎工作。这可能是lxml或libxml中的一个错误，但我找不到它的原因。
【讨论】：
设置方法为xml时，如果标签没有子元素，则不生成结束标签。例如，在有问题的示例中，内部 div 将没有结束标记。我真的不知道为什么。我最终使用 BeautifulSoup 来获得正确的输出。以上是关于如何使用缩进将 HTML 漂亮地打印到文件中的主要内容，如果未能解决你的问题，请参考以下文章