在Python中验证(X)HTML
时间：2020-03-05 18:45:18 来源:igfitidea点击:
验证文档是否遵循某种版本的HTML(最好是我可以指定)的最佳方法是什么？我希望能够知道失败的发生位置，例如在基于Web的验证器中，但在本机Python应用程序中除外。
解决方案
回答
XHTML很简单，使用lxml。
HTML更加困难，因为传统上对HTML人群的验证没有太大兴趣(通过验证器yikes运行StackOverflow本身)。最简单的解决方案是执行诸如nsgmls或者OpenJade之类的外部应用程序，然后解析其输出。
回答
我认为HTML整洁会做我们想要的事情。有一个Python绑定。
回答
尝试tidylib。我们可以在elementtidy模块中获得一些真正的基本绑定(从HTML文档构建elementtrees)。 http://effbot.org/downloads/#elementtidy
>>> import _elementtidy
>>> xhtml, log = _elementtidy.fixup("<html></html>")
>>> print log
line 1 column 1 - Warning: missing <!DOCTYPE> declaration
line 1 column 7 - Warning: discarding unexpected </html>
line 1 column 14 - Warning: inserting missing 'title' element
解析日志应该可以为我们提供所需的一切。
回答
我们可以决定在本地安装HTML验证程序，并创建一个客户端以请求验证。
在这里，我制作了一个程序来验证txt文件中的网址列表。我只是检查HEAD以获取验证状态，但是如果执行GET，则将获得完整结果。看一下验证器的API，有很多选择。
import httplib2
import time
h = httplib2.Http(".cache")
f = open("urllistfile.txt", "r")
urllist = f.readlines()
f.close()
for url in urllist:
# wait 10 seconds before the next request - be nice with the validator
time.sleep(10)
resp= {}
url = url.strip()
urlrequest = "http://qa-dev.w3.org/wmvs/HEAD/check?doctype=HTML5&uri="+url
try:
resp, content = h.request(urlrequest, "HEAD")
if resp['x-w3c-validator-status'] == "Abort":
print url, "FAIL"
else:
print url, resp['x-w3c-validator-status'], resp['x-w3c-validator-errors'], resp['x-w3c-validator-warnings']
except:
pass
回答
PyTidyLib是HTML Tidy的一个不错的python绑定。他们的例子：
from tidylib import tidy_document
document, errors = tidy_document('''<p>fõo <img src="bar.jpg">''',
options={'numeric-entities':1})
print document
print errors
此外，它与旧的HTML Tidy和新的tidy-html5兼容。
