我正在尝试使用 HTMLParser 处理没有结束标签或在 Python 中使用无效结束标签的 HTML:
入口:
<div>
<p>foo
</div>
bar</span>
输出:(关闭打开的标签并打开错误的关闭)
<div>
<p>foo</p>
</div>
<span>bar</span>
甚至:(删除关闭而不立即打开和关闭所有打开的标签)
<div>
<p>foo bar</p>
</div>
我的代码只关闭打开的标签,但不能在 HTMLParser 的循环中编辑 HTML。
from HTMLParser import HTMLParser
singleton_tags = [
'area','base','br','col','command','embed','hr',
'img', 'input','link','meta','param','source'
]
class HTMLParser_(HTMLParser):
def __init__(self, *args, **kwargs):
HTMLParser.__init__(self, *args, **kwargs)
self.open_tags = []
# Handle opening tag
def handle_starttag(self, tag, attrs):
if tag not in singleton_tags:
self.open_tags.append(tag)
# Handle closing tag
def handle_endtag(self, tag):
if tag not in singleton_tags:
self.open_tags.pop()
def close_tags(text):
parser = HTMLParser_()
# Mounts stack of open tags
parser.feed(text)
# Closes open tags
text += ''.join('</%s>'%tag for tag in parser.open_tags)
return text