使用 BeautifulSoup 智能美化 html

【问题标题】：Smart prettify html with BeautifulSoup使用 BeautifulSoup 智能美化 html
【发布时间】：2021-12-03 18:32:59
【问题描述】：

有什么方法可以控制展开的深度吗？我的 HTML 有时包含 css。并且美化为每个标签添加换行符...

<html><body><h1>hello world</h1></body></html>

到：

<html>
 <body><h1>hello world</h1></body>
</html>

from bs4 import BeautifulSoup

INPUT_FILE = "html_unformatted.txt"
OUTPUT_FILE = "index.html"

unicode_data = open(INPUT_FILE, "r", encoding='unicode_escape').read()
data = unicode_data.encode('iso-8859-1').decode('utf-8')
soup = BeautifulSoup(data, features="html.parser")
pretty_html = soup.prettify()

with open(OUTPUT_FILE, "w") as f:
    f.write(pretty_html)
    print(f"Wrote to {OUTPUT_FILE}")

我有：


<html>
 <body>
  <h1>
   hello world
  </h1>
 </body>
</html>

【问题讨论】：

标签： python beautifulsoup

【解决方案1】：

不幸的是，根据beautifulsoup docs 的说法，自定义prettify 函数不是一种选择。但是，可以将soup.prettify 包装到另一个函数中，并将“漂亮”的文本替换为单行文本。

这就是下面的prettify_except 所做的，即美化除tag_name 中包含的文本之外的任何内容：

from bs4 import BeautifulSoup
import re

html = "<html><body><h1>hello world</h1></body></html>"
soup = BeautifulSoup(html, features="html.parser")

print(soup.prettify())

def prettify_except(soup_obj: BeautifulSoup, tag_name: str) -> str:
    regex_string = "<{0}>.*<\/{0}>".format(tag_name)
    regex = re.compile(regex_string, re.DOTALL)
    replacing_txt = str(getattr(soup_obj, tag_name))
    return re.sub(regex, replacing_txt, soup_obj.prettify())

print(prettify_except(soup, 'body'))

# original prettified

# <html>
#  <body>
#   <h1>
#    hello world
#   </h1>
#  </body>
# </html>


# prettified, except body

# <html>
#  <body><h1>hello world</h1></body>
# </html>

【讨论】：