是否有一个纯Python工具可以接收一些HTML并尽可能接近给定的长度截断它，但要确保生成的代码片段格式正确？例如，给定这个HTML：在Python中截断的HTML
<h1>This is a header</h1>
<p>This is a paragraph</p>
它不会产生：
<h1>This is a hea
但：
<h1>This is a header</h1>
或至少：
<h1>This is a hea</h1>
我不能找到一个工作，但我发现一个依靠pullparser，既过时又死亡。
我不认为你需要一个全面的解析 - 你只需要在输入字符串标记化到之一：
一旦你有这样的记号流，很容易使用堆栈跟踪什么标记都需要关闭的。其实，我就遇到了这个问题，前一段时间，写了一个小型图书馆要做到这一点：
https://github.com/eentzel/htmltruncate.py
它的工作很适合我，和处理大多数的角落案件以及包括任意嵌套标记，计数字符实体作为单个字符，返回格式错误的错误等。
它会产生：
<h1>This is a hea</h1>
。这可能会改变，但在一般情况下很难 - 如果你想截断为10个字符，但<h1>标签没有关闭另一个，比如说300个字符？
我最初的想法是使用XML解析器（可能是python's sax parser），然后可能会计算每个xml元素中的文本字符。我会忽略标记字符的数量，以使其更加一致以及更简单，但两者都应该是可能的。
当我评论funktku的回答时，有没有人*已经做到了？ – JasonFruit 2011-02-11 15:23:09
@JasonFruit哦，我明白你的意思了 - 我不知道它的真实性和坦率性，以及它的简单性。 – Petriborg 2011-02-11 15:45:22
我建议先完全解析HTML然后截断。 Python的一个很棒的HTML解析器是lxml。解析和截断后，您可以将其打印回HTML格式。
但是，有没有人*已经做到了？我理解这个问题，但是看起来这是一个普遍的问题，有人必须有解决方案。 – JasonFruit 2011-02-11 15:22:19
查看HTML Tidy清理/重新格式化/重新加载HTML。
不是最好的选择，而不是真正的Python事情。 – JasonFruit 2011-02-12 01:26:21
有一些Python库绑定到Tidy，检查出来。我用它来清理MS-Word HTML中的一些用户粘贴到CMS中。 – 2011-02-13 04:46:15
如果你使用Django的lib，你可以简单地说：
from django.utils import text, html
class class_name():
def trim_string(self, stringf, limit, offset = 0):
return stringf[offset:limit]
def trim_html_words(self, html, limit, offset = 0):
return text.truncate_html_words(html, limit)
def remove_html(self, htmls, tag, limit = 'all', offset = 0):
return html.strip_tags(htmls)
不管怎么说，这里是从truncate_html_words代码从Django中：
import re
def truncate_html_words(s, num):
"""
Truncates html to a certain number of words (not counting tags and comments).
Closes opened tags if they were correctly closed in the given html.
"""
length = int(num)
if length <= 0:
return ''
html4_singlets = ('br', 'col', 'link', 'base', 'img', 'param', 'area', 'hr', 'input')
# Set up regular expressions
re_words = re.compile(r'&.*?;|<.*?>|([A-Za-z0-9][\w-]*)')
re_tag = re.compile(r'<(/)?([^ ]+?)(?: (/)| .*?)?>')
# Count non-HTML words and keep note of open tags
pos = 0
ellipsis_pos = 0
words = 0
open_tags = []
while words <= length:
m = re_words.search(s, pos)
if not m:
# Checked through whole string
break
pos = m.end(0)
if m.group(1):
# It's an actual non-HTML word
words += 1
if words == length:
ellipsis_pos = pos
continue
# Check for tag
tag = re_tag.match(m.group(0))
if not tag or ellipsis_pos:
# Don't worry about non tags or tags after our truncate point
continue
closing_tag, tagname, self_closing = tag.groups()
tagname = tagname.lower() # Element names are always case-insensitive
if self_closing or tagname in html4_singlets:
pass
elif closing_tag:
# Check for match in open tags list
try:
i = open_tags.index(tagname)
except ValueError:
pass
else:
# SGML: An end tag closes, back to the matching start tag, all unclosed intervening start tags with omitted end tags
open_tags = open_tags[i+1:]
else:
# Add it to the start of the open tags list
open_tags.insert(0, tagname)
if words <= length:
# Don't try to close tags if we don't need to truncate
return s
out = s[:ellipsis_pos] + ' ...'
# Close any tags still open
for tag in open_tags:
out += '</%s>' % tag
# Return string
return out
这将有助于你的requirement.An好用HTML分析器和坏标记校正器
您可以用BeautifulSoup一行做到这一点（假设你想在一定数量的源字符截断，而不是在一些内容字符）：
from BeautifulSoup import BeautifulSoup
def truncate_html(html, length):
return unicode(BeautifulSoup(html[:length]))
我找到了答案由slacy非常如果我有声望，它会很有帮助，并且会升级它 - 但是还有一件需要注意的事情。在我的环境中，我安装了html5lib以及BeautifulSoup4。 BeautifulSoup使用html5lib解析器，这导致我的html代码片段被包裹在html和body标签中，这不是我想要的。
>>> truncate_html("<p>sdfsdaf</p>", 4)
u'<html><head></head><body><p>s</p></body></html>'
要解决这些问题，我告诉BeautifulSoup使用Python解析器：
from bs4 import BeautifulSoup
def truncate_html(html, length):
return unicode(BeautifulSoup(html[:length], "html.parser"))
>>> truncate_html("<p>sdfsdaf</p>", 4)
u'<p>s</p>'
“它会产生：” ..给出什么参数？连续的字符数？ DOM元素的数量，层次结构？ – akira 2011-02-11 15:01:03
可能是一些内容字符或一些HTML字符。我不挑剔。 – JasonFruit 2011-02-11 15:02:39