在 Python 中验证 (X)HTML

StackOverflow https://stackoverflow.com/questions/35538

  •  09-06-2019
  •  | 
  •  

题

验证文档是否遵循某个 HTML 版本（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发生在哪里，就像在基于 Web 的验证器中一样，但在本机 Python 应用程序中除外。

有帮助吗？

解决方案

XHTML很简单，使用 lxml.

HTML 更难，因为传统上 HTML 人群对验证没有那么大的兴趣（通过验证器运行 StackOverflow 本身，哎呀）。最简单的解决方案是执行外部应用程序，例如 nsgmls 或者 开玉, ，然后解析它们的输出。

其他提示

PyTidyLib 是 HTML Tidy 的一个很好的 Python 绑定。他们的例子：

from tidylib import tidy_document
document, errors = tidy_document('''<p>f&otilde;o <img src="bar.jpg">''',
    options={'numeric-entities':1})
print document
print errors

而且它与两者兼容 遗留 HTML 整洁 和 新的 tidy-html5.

我认为调用 W3C 验证服务的最优雅的方式是

http://validator.w3.org/

以编程方式。很少有人知道您不必通过屏幕抓取结果来获取结果，因为该服务返回非标准 HTTP 标头参数 

X-W3C-Validator-Recursion: 1
X-W3C-Validator-Status: Invalid (or Valid)
X-W3C-Validator-Errors: 6
X-W3C-Validator-Warnings: 0

用于指示有效性以及错误和警告的数量。

例如，命令行 

curl -I "http://validator.w3.org/check?uri=http%3A%2F%2Fwww.stalsoft.com"

回报

HTTP/1.1 200 OK
Date: Wed, 09 May 2012 15:23:58 GMT
Server: Apache/2.2.9 (Debian) mod_python/3.3.1 Python/2.5.2
Content-Language: en
X-W3C-Validator-Recursion: 1
X-W3C-Validator-Status: Invalid
X-W3C-Validator-Errors: 6
X-W3C-Validator-Warnings: 0
Content-Type: text/html; charset=UTF-8
Vary: Accept-Encoding
Connection: close

因此，您可以优雅地调用 W3C 验证服务并从 HTTP 标头中提取结果：

# Programmatic XHTML Validations in Python
# Martin Hepp and Alex Stolz
# mhepp@computer.org / alex.stolz@ebusiness-unibw.org

import urllib
import urllib2

URL = "http://validator.w3.org/check?uri=%s"
SITE_URL = "http://www.heppnetz.de"

# pattern for HEAD request taken from 
# http://stackoverflow.com/questions/4421170/python-head-request-with-urllib2

request = urllib2.Request(URL % urllib.quote(SITE_URL))
request.get_method = lambda : 'HEAD'
response = urllib2.urlopen(request)

valid = response.info().getheader('X-W3C-Validator-Status')
if valid == "Valid":
    valid = True
else:
    valid = False
errors = int(response.info().getheader('X-W3C-Validator-Errors'))
warnings = int(response.info().getheader('X-W3C-Validator-Warnings'))

print "Valid markup: %s (Errors: %i, Warnings: %i) " % (valid, errors, warnings)

您可以决定在本地安装 HTML 验证器并创建客户端来请求验证。

在这里，我编写了一个程序来验证 txt 文件中的 url 列表。我只是检查 HEAD 以获取验证状态，但如果您执行 GET，您将获得完整的结果。看看验证器的API，有很多选项。

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

尝试 tidylib。您可以获得一些真正基本的绑定作为 elementtidy 模块的一部分（从 HTML 文档构建元素树）。 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

解析日志应该会为您提供几乎您需要的一切。

我觉得 HTML 整洁 会做你想做的事。它有一个 Python 绑定。

就我而言，python W3C/HTML 验证包不起作用 pip search w3c （截至 2016 年 9 月）。

我解决了这个问题

$ pip install requests

$ python
Python 2.7.12 (default, Jun 29 2016, 12:46:54)
[GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)] on darwin
Type "help", "copyright", "credits" or "license" for more information.

>>> r = requests.post('https://validator.w3.org/nu/', 
...                    data=file('index.html', 'rb').read(), 
...                    params={'out': 'json'}, 
...                    headers={'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.101 Safari/537.36', 
...                    'Content-Type': 'text/html; charset=UTF-8'})

>>> r.text
>>> u'{"messages":[{"type":"info", ...

>>> r.json()
>>> {u'messages': [{u'lastColumn': 59, ...

更多文档在这里 蟒蛇请求, W3C 验证器 API

这是一个非常基本的 html 验证器，基于 lxml 的 HTMLParser。它不需要任何互联网连接。

_html_parser = None
def validate_html(html):
    global _html_parser
    from lxml import etree
    from StringIO import StringIO
    if not _html_parser:
        _html_parser = etree.HTMLParser(recover = False)
    return etree.parse(StringIO(html), _html_parser)

请注意，这不会检查结束标签，因此，例如，以下内容将通过：

validate_html("<a href='example.com'>foo</a>")

但是，以下情况不会：

validate_html("<a href='example.com'>foo</a")
许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top