在Python中验证（X）HTML

Question

验证文档是否遵循某种版本的HTML（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的发生位置，例如在基于Web的验证器中，但在本机Python应用程序中除外。

Answer 1

XHTML很简单，请使用lxml。

from lxml import etree

from StringIO import StringIO

etree.parse(StringIO(html), etree.HTMLParser(recover=False))

HTML更加困难，因为传统上对HTML人群的验证没有那么大的兴趣（通过验证器yikes运行StackOverflow本身）。最简单的解决方案是执行诸如nsgmls或OpenJade之类的外部应用程序，然后解析其输出。

Answer 2

PyTidyLib是HTML Tidy的一个不错的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，它与旧的HTML Tidy和新的tidy-html5都兼容。