如何解决错误的嵌套/未关闭的HTML标记？

本文介绍了如何解决错误的嵌套/未关闭的HTML标记？的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！ 问题描述

我需要关闭所有打开的标签与正确的嵌套为了清理用户提交的HTML。我一直在寻找一种算法或Python code要做到这一点，但没有发现任何东西，除了一些半生不熟的实现在PHP中，等等。

I need to sanitize HTML submitted by the user by closing any open tags with correct nesting order. I have been looking for an algorithm or Python code to do this but haven't found anything except some half-baked implementations in PHP, etc.

例如，像

<p> <ul> <li>Foo

变为

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

任何帮助将是AP preciated：）

Any help would be appreciated :)

推荐答案

使用BeautifulSoup：

using BeautifulSoup:

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

让你

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

据我所知，你无法控制将在＆lt;立GT;＆LT; /李＆GT;标签从富单独的行。

As far as I know, you can't control putting the <li></li> tags on separate lines from Foo.

使用整洁：

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

让你

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

不幸的是，据我所知，没有办法保持在＆lt; P＆GT;标签中的例子。整洁跨$ P $其中pts它作为一个空的段落，而不是一个未关闭的，这样算下来

Unfortunately, I know of no way to keep the <p> tag in the example. Tidy interprets it as an empty paragraph rather than an unclosed one, so doing

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

出来为

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

最终，当然，在＆lt p为H.;在你的例子标签是多余的，所以你可能会被罚款与失去它。

Ultimately, of course, the <p> tag in your example is redundant, so you might be fine with losing it.

最后，整洁也可以做缩进：

Finally, Tidy can also do indenting:

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

变为

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

所有这些都起伏变化，但希望其中一人是足够接近。

All of these have their ups and downs, but hopefully one of them is close enough.