如何在lxml.html中删除无效的空格？

2019年7月21日 212次阅读

我很惊讶lxml.html在默认情况下解析
HTML时会留下无关紧要的空白.我也很惊讶我找不到任何明显的方法让它不那样做.

Python 2.7.3 (default, Apr 10 2013, 06:20:15) 
[GCC 4.6.3] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import lxml.etree
>>> parser = lxml.etree.HTMLParser(remove_blank_text=True)
>>> html = lxml.etree.HTML("<p>      Hello     World     </p>", parser=parser)
>>> print lxml.etree.tostring(html)
<html><body><p>      Hello     World     </p></body></html>

我希望结果会是这样的：

>>> print lxml.etree.tostring(html)
<html><body><p>Hello World</p></body></html>

BeautifulSoup4使用html5lib解析器做同样的事情：

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup("<p>      Hello     World     </p>", "html5lib")
>>> soup.p
<p>      Hello     World     </p>

在做了一些研究后,我发现HTML5解析规范没有指定删除连续的空格;这是在渲染时完成的.所以我理解在技术上并不是任何这些库的责任来执行相同的行为,但它看起来很有用,我很惊讶他们都没有.

有人可以证明我错了吗？

编辑：

我知道如何使用正则表达式删除空格 – 这不是我的问题. (我也知道如何搜索SO以获取有关正则表达式的问题.)

我的问题与无关紧要的空白有关,其中重要性由呈现HTML的标准定义.我怀疑单线程正则表达式是否可以正确实现此标准.让我们再次深入研究正则表达式与CFG辩论,拜托？

RegEx match open tags except XHTML self-contained tags

编辑2：

如果从上下文中不清楚,我对HTML感兴趣,而不是XHTML / XML.空格确实在HTML中有一些重要的重要规则,但这些规则是在渲染器中实现的,而不是解析器.我理解这一点,正如我最初的帖子所证明的那样.我的问题是,是否有人在一个在DOM级别而不是在渲染级别运行的库中实现了HTML渲染器的空白逻辑？

最佳答案 我遇到了这个
library.

可以用pip安装：

pip install htmlmin

它的使用方式如下：

from htmlmin import minify
html=u"<html><body><p>      Hello     World     </p></body></html>"
minified_html = minify(html)
print minified_html

哪个回报：

<html><body><p> Hello World </p></body></html>

我认为它会做你想要的,但正如你所看到的,保留了一些不相关的空间.

点赞