Проверка (X) HTML на Python

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

  •  09-06-2019
  •  | 
  •  

Вопрос

Каков наилучший способ проверить, что документ соответствует некоторой версии HTML (предпочтительно, которую я могу указать)?Я хотел бы иметь возможность знать, где происходят сбои, как в веб-валидаторе, за исключением собственного приложения на Python.

Это было полезно?

Решение

XHTML - это просто, используйте lxml .

HTML сложнее, так как традиционно не было такого большого интереса к проверке среди толпы HTML (запустите сам StackOverflow через валидатор, да). Самым простым решением было бы выполнение внешних приложений, таких как nsgmls или OpenJade , а затем проанализируйте их вывод.

Другие советы

PyTidyLib - это хорошая привязка Python для HTML Tidy. Их пример: 

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

Кроме того, он совместим как с устаревшей HTML Tidy , так и с new tidy-html5 .

Я думаю, что самый элегантный способ - это вызвать службу проверки W3C по адресу

http://validator.w3.org/

программно.Мало кто знает, что вам не нужно проверять результаты на экране, чтобы получить результаты, потому что сервис возвращает нестандартные параметры HTTP-заголовка 

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

для указания достоверности и количества ошибок и предупреждений.

Например, командная строка 

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

ВОЗВРАТ

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

Таким образом, вы можете элегантно вызвать службу проверки W3C и извлечь результаты из HTTP-заголовка:

# 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)

Вы можете решить установить HTML-валидатор локально и создать клиент для запроса валидации.

Здесь я создал программу для проверки списка URL в текстовом файле. Я просто проверял HEAD, чтобы получить статус проверки, но если вы сделаете GET, вы получите полный результат. Посмотрите на API валидатора, есть много вариантов для него. 

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

Попробуйте tidylib. Вы можете получить некоторые действительно базовые привязки как часть модуля elementtidy (строит деревья элементов из документов HTML). 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

Анализ журнала должен дать вам почти все, что вам нужно.

Я думаю, что HTML tidy будет делать то, что вы хотите. Для этого есть привязка Python.

В моем случае пакеты проверки W3C / HTML на python не работали pip search w3c (по состоянию на сентябрь 2016 года).

Я решил это с помощью 

$ 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, ...

Дополнительная документация здесь Python-запросы , API валидатора W3C

Это очень простой HTML-валидатор, основанный на HTMLParser lxml. Не требует подключения к интернету. 

_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)

Обратите внимание, что это не будет проверять закрывающие теги, поэтому, например, пройдет следующее: 

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

Однако, следующее не так: 

validate_html("<a href='example.com'>foo</a")
Лицензировано под: CC-BY-SA с атрибуция
Не связан с StackOverflow
scroll top