怎么用lxml清理和规范化HTML文档 - 问答

使用lxml库清理和规范化HTML文档的步骤如下：

导入lxml库：

from lxml import etree

读取HTML文档：

html = """
<html>
<head>
<title>Example</title>
</head>
<body>
<h1>Hello, World!</h1>
<p>This is an example HTML document.</p>
</body>
</html>
"""

# 将HTML文档转换为lxml对象
tree = etree.HTML(html)

清理HTML文档：

# 使用tostring方法将lxml对象转换回字符串，清理HTML文档
clean_html = etree.tostring(tree, pretty_print=True, method="html").decode('utf-8')

规范化HTML文档：

# 使用tostring方法的method参数规范化HTML文档
normalized_html = etree.tostring(tree, pretty_print=True, method="xml").decode('utf-8')

通过以上步骤，您可以使用lxml库清理和规范化HTML文档。

0 赞

0 踩