为了将一个 HTML 文件中的非标准 HTML 标签和属性转换为标准格式，我们可以编写一个 Python 脚本，使用 BeautifulSoup 来解析 HTML 并修复不符合标准的标签。BeautifulSoup 是一个强大的 HTML 和 XML 解析库，可以帮助我们清理和格式化 HTML。
首先，确保你安装了 BeautifulSoup 和 lxml（或 html.parser）作为解析器：
pip install beautifulsoup4 lxml
Python 脚本
这个脚本将读取一个 HTML 文件，查找并移除非标准的属性或标签，替换成符合标准的 HTML 标签和属性。
from bs4 import BeautifulSoupdef convert_to_standard_html(input_file, output_file):# 打开 HTML 文件并读取内容with open(input_file, 'r', encoding='utf-8') as file:html_content = file.read()# 使用 BeautifulSoup 解析 HTML 内容soup = BeautifulSoup(html_content, 'lxml')# 移除所有不标准的属性，例如 height, width 等for tag in soup.find_all(True): # 查找所有标签if 'height' in tag.attrs:del tag.attrs['height'] # 移除 height 属性if 'width' in tag.attrs:del tag.attrs['width'] # 移除 width 属性# 可以添加更多不标准的属性进行清理# 格式化修复后的 HTML 输出pretty_html = soup.prettify()# 将修复后的 HTML 保存到新文件with open(output_file, 'w', encoding='utf-8') as file:file.write(pretty_html)print(f"标准化 HTML 文件已保存至 {output_file}")# 调用函数，传入输入文件和输出文件路径
input_file = 'input.html' # 原始 HTML 文件路径
output_file = 'output.html' # 输出标准化后的 HTML 文件路径convert_to_standard_html(input_file, output_file)
脚本说明
-
读取 HTML 文件：
input_file是你要处理的 HTML 文件的路径。脚本读取文件内容并存储在html_content中。 -
解析 HTML 内容：使用
BeautifulSoup来解析 HTML，并创建一个 BeautifulSoup 对象（soup）。 -
移除非标准属性：
find_all(True)方法会找到文档中的所有标签。然后，我们检查每个标签的属性，移除不符合标准的属性（如height、width等）。 -
格式化输出：使用
prettify()方法将 BeautifulSoup 对象格式化为标准的 HTML 格式。 -
保存输出文件：将格式化后的 HTML 保存到
output_file路径中。
扩展
你可以根据需要在脚本中添加更多的非标准属性和标签处理，例如移除 align、bgcolor 等非标准属性，或者用 CSS 来代替一些属性。
例如，如果你希望将 align 属性转换为 CSS，可以添加类似如下的代码：
if 'align' in tag.attrs:tag['style'] = f"align: {tag['align']};" # 将 align 转为 CSS 样式del tag.attrs['align'] # 移除原始 align 属性
使用示例
假设你的原始 HTML 文件 input.html 中包含如下内容：
<html><body><p height="lem" width="2em" align="justify">Some text here</p></body>
</html>
运行脚本后，output.html 将会变成如下格式：
<html><body><p style="width: 2em; height: 1em; text-align: justify;">Some text here</p></body>
</html>
