Fatal编程技术网
  • python/
  • 如何使用python检测字符串是否包含html代码？

如何使用python检测字符串是否包含html代码？

python html parsing

如何使用python检测字符串是否包含html代码？,python,html,parsing,detect,Python,Html,Parsing,Detect,如何检测字符串是否包含html（可以是html4、html5，只是文本中html的一部分）？我不需要HTML的版本，而是如果字符串只是文本或它包含HTML。文本通常是多行的，也有空行 更新： 输入示例： html: 我是title 你好，世界 非html： <ht fldf d>< <html><head> head <body></body> html < 头部html 检查结束标记。我相信这是最简单、最健壮的 "</

如何检测字符串是否包含html（可以是html4、html5，只是文本中html的一部分）？我不需要HTML的版本，而是如果字符串只是文本或它包含HTML。文本通常是多行的，也有空行

更新： 输入示例：

html:

我是title
你好，世界
非html：

<ht fldf d><
<html><head> head <body></body> html

<
头部html
检查结束标记。我相信这是最简单、最健壮的

"</html>" in possibly_html
html中的“
”
如果有一个结束html标记，那么它看起来像html，否则就不那么像了。

我想到的一种方法是将开始标记和结束标记相交，通过尝试将文本解析为html并将该集合与已知的可接受html元素集相交来找到

示例：

#!/usr/bin/env python

from __future__ import print_function

from HTMLParser import HTMLParser


from html5lib.sanitizer import HTMLSanitizerMixin


class TestHTMLParser(HTMLParser):

    def __init__(self, *args, **kwargs):
        HTMLParser.__init__(self, *args, **kwargs)

        self.elements = set()

    def handle_starttag(self, tag, attrs):
        self.elements.add(tag)

    def handle_endtag(self, tag):
        self.elements.add(tag)


def is_html(text):
    elements = set(HTMLSanitizerMixin.acceptable_elements)

    parser = TestHTMLParser()
    parser.feed(text)

    return True if parser.elements.intersection(elements) else False


print(is_html("foo bar"))
print(is_html("<p>Hello World!</p>"))
print(is_html("<html><head><title>Title</title></head><body><p>Hello!</p></body></html>"))  # noqa

$ python foo.py
False
True
True
这适用于包含HTML元素子集的部分文本

NB:这使用了，因此它可能不一定适用于其他文档类型，但该技术可以很容易地进行调整。

您可以使用HTML解析器，如。请注意，它确实尽了最大努力解析HTML，即使是已损坏的HTML，也可能非常宽松，具体取决于：

或者，您可以使用：

导入lxml.html >>>html='你好，世界'
>>>non_html=“在上一篇文章的基础上展开，我会做一些类似的事情，快速简单：

import sys, os

if os.path.exists("file.html"):
    checkfile=open("file.html", mode="r", encoding="utf-8")
    ishtml = False
    for line in checkfile:
        line=line.strip()
        if line == "</html>"
            ishtml = True
    if ishtml:
        print("This is an html file")
    else:
        print("This is not an html file")
导入系统，操作系统 如果os.path.exists（“file.html”）： checkfile=open（“file.html”，mode=“r”，encoding=“utf-8”） ishtml=False 对于检查文件中的行： line=line.strip（） 如果行==“” ishtml=True 如果是ishtml： 打印（“这是一个html文件”） 其他： 打印（“这不是html文件”）
这是一个很好的答案，假设输入是一个完整的HTML页面（其中包含
。它不适用于部分HTML（如
某些单词
）。此方法可以扩展为搜索任何html结尾标记，如b。正则表达式可能会使搜索速度更快，但基本原理保持不变。由于您不知道文本中可能存在哪些html标记，此技术将无法很好地工作：/它基本上与您的解决方案相同--只是使用不同的库和se已知元素的交叉点：PI在html5lib中再也找不到
HTMLSanitizerMixin
。关于
non-html=“head-html”
bool（BeautifulSoup（non-u-html，“html.parser”）.find（）=>True
？它不是html代码片段，即使
non-u-html=“head-html-dkslfjglangaiowmgiowe”
也会通过测试：（@static-well，这将是
True
，因为
beautifulsou
尽最大努力解析html并保持宽容。它会将其转换为
头html
。很好，它通过了许多有问题的案例，但看起来它通过了太多：
非html=”@静态是的，在这种情况下，它认为
fldf
和
d
是属性，
ht
标记只是没有关闭。很好的例子，谢谢：）关于部分和非样式html（即不是整行）（好的，这里可以使用“contains”而不是“==”）你是对的，我没有想到，在这种情况下，我可能会修改if line==“”：到if“”，在line:为什么你需要知道？你打算做什么不同的事情？只是检测字符串是否包含html，然后删除字符串或将其打印出来

>>> from bs4 import BeautifulSoup
>>> html = """<html>
... <head><title>I'm title</title></head>
... </html>"""
>>> non_html = "This is not an html"
>>> bool(BeautifulSoup(html, "html.parser").find())
True
>>> bool(BeautifulSoup(non_html, "html.parser").find())
False



>>> html = "Hello, <b>world</b>"
>>> bool(BeautifulSoup(html, "html.parser").find())
True



>>> import lxml.html
>>> html = 'Hello, <b>world</b>'
>>> non_html = "<ht fldf d><"
>>> lxml.html.fromstring(html).find('.//*') is not None
True
>>> lxml.html.fromstring(non_html).find('.//*') is not None
False



import sys, os

if os.path.exists("file.html"):
    checkfile=open("file.html", mode="r", encoding="utf-8")
    ishtml = False
    for line in checkfile:
        line=line.strip()
        if line == "</html>"
            ishtml = True
    if ishtml:
        print("This is an html file")
    else:
        print("This is not an html file")