在Python中清理HTML
我正在汇总来自一些外部来源的内容，发现其中一些内容的HTML /
DOM中包含错误。一个很好的例子是HTML缺少结束标记或格式错误的标记属性。有没有办法清除Python本身或我可以安装的任何第三方模块中的错误？
问题答案：
我建议Beautifulsoup。它具有出色的解析器，可以相当优雅地处理格式错误的标记。阅读完整个树后，就可以输出结果了。
from bs4 import BeautifulSoup
tree = BeautifulSoup(bad_html)
good_html = tree.prettify()
我已经使用过很多次了，它的确很神奇。如果您只是从bad-html中提取数据，那么BeautifulSoup在提取数据时确实很出色。
-
我想从文本中删除所有一个字符的单词。 例如：我想清除下面文本中所有加粗的字符。（，，，等），重新调整已清除的文本。 Lorem Ipsum只是个傀儡？印刷和排版行业的文本。自16世纪以来，Lorem Ipsum一直是业界标准的虚拟文本，当时一位不知名的印刷商拿起一个打印工具，将其拼凑成*字体样本书。它不仅存活了五个世纪，而且还跨越到[电子排版]，基本上保持不变。
-
问题内容： 是否存在任何标准的“自带电池”方法可以从Python脚本中清除终端屏幕，还是我必须诅咒（库，而不是文字）？ 问题答案： 那么转义序列呢？
-
Clean，清理。把未跟踪的文件清理掉。 练习 1，在项目下面新建一个文件，名字是 demo.md。 touch demo.md 然后查看状态，会返回： On branch master Untracked files: (use "git add <file>..." to include in what will be committed) demo.md nothing a
-
问题内容： 运行代码 退货 因此，每次在列表列表中每次更新元组（列表）的第一个参数，但第二个参数list [0]却没有更新。有人可以解释这里发生的事情并提出解决方法吗？我想输出 问题答案： 列表是可变类型-为了创建副本（而不只是传递相同的列表），您需要明确地这样做： 但是，已经是Python内置的名称-最好不要将该名称用作变量。这是一个不用作变量名并复制的版本： 请注意，我演示了两种不同的方法来复
-
问题内容： 以上失败，并出现AttributeError异常。我了解Python在调用时不保证 “全局变量”（在这种情况下是否存在成员数据）的存在。如果是这种情况，并且这是导致异常的原因，那么如何确保对象正确销毁？ 问题答案： 我建议使用Python的语句来管理需要清理的资源。使用显式语句的问题在于，你必须担心人们会忘记完全调用它，或者忘记将其放在块中以防止发生异常时发生资源泄漏。 要使用该语句，
-
主要内容：Jsoup 清理HTML 语法,Jsoup 清理HTML 说明,Jsoup 清理HTML 示例以下示例将展示 XSS 攻击或跨站点脚本攻击的预防。 Jsoup 清理HTML 语法 Jsoup ： 解析给定 HTML 字符串的主类。 html ： 初始 HTML 字符串。 safeHtml ： 清理过的 HTML。 Whitelist ： 提供默认配置以保护 html 的对象。 clean() ： 使用白名单清理 html。 Jsoup 清理HTML 说明 Jsoup 对象使用白名单配置