这个html5lib脚本怎么了？

1 投票

1 回答

787 浏览

提问于 2025-04-17 12:10

我正在尝试处理一个非常简单的html5脚本，并使用html5lib来渲染它。

import html5lib

html = '''<!DOCTYPE html>
<html lang="en">
    <head>
        <title>Hi</title>
    </head>
    <body>
        <script src="a.js"></script>
        <script src="b.js"></script>
    </body>
</html>
'''

parser = html5lib.HTMLParser(tree = html5lib.treebuilders.getTreeBuilder("lxml"))
walker = html5lib.treewalkers.getTreeWalker("lxml")
serializer = html5lib.serializer.htmlserializer.HTMLSerializer()

document = parser.parse(html)
stream = walker(document)
theHTML = serializer.render(stream)

print theHTML

输出看起来是这样的：

<!DOCTYPE html><html lang=en><head>
        <title>Hi</title>
    </head>
    <body>
        <script src=a.js></script>
        <script src=b.js></script>

没错。它就是在中间截断了。把树构建器从lxml换成dom也没有任何效果。调整HTML虽然会改变输出，但结果还是很糟糕。

1 个回答

所以关键似乎在于 omit_optional_tags=False，如果缺少这个设置，输出的最后部分就会被吃掉。

parser = html5lib.HTMLParser(tree = html5lib.treebuilders.getTreeBuilder("lxml"))
document = parser.parse(html)    
walker = html5lib.treewalkers.getTreeWalker("lxml")
stream = walker(document)
s = serializer.htmlserializer.HTMLSerializer(omit_optional_tags=False)
output_generator = s.serialize(stream)
for item in output_generator:
         print item


<!DOCTYPE html>
<html lang=en>
<head>


<title>
Hi
</title>


</head>


<body>


<script src=a.js>
</script>


<script src=b.js>
</script>




</body>
</html>
>>>

回答于 2025-04-17 由 Python大师

分享举报

这个html5lib脚本怎么了？

1 个回答

撰写回答