前の関連記事：HTMLをElementTreeにするPythonスクリプト
Element オブジェクトをHTMLに変換するelem2html.py
#!/usr/bin/python3
# -*- coding: utf-8 -*-
from xml.etree import ElementTree
def elem2html(elem): # ElementオブジェクトをHTMLにして返す。
doctypetxt = ""
doctype = elem.find(".//doctype") # ドキュメントタイプ宣言を入れたノードを取得。
if doctype is not None: # ドキュメントタイプ宣言を入れたノードが取得出来た時。
doctypetxt = doctype.text # ドキュメントタイプ宣言を取得。
elem.find(".//doctype/..").remove(doctype) # doctypeノードを削除。
h = ElementTree.tostring(elem, encoding="unicode", method="html")
emptytags = "source", "track", "wbr", "embed", "root" # 終了タグがついてくる空要素などの終了タグを削除。
for tag in emptytags:
h = h.replace("".join(["</", tag, ">"]), "")
h = h.replace("<root>", "")
return "".join([doctypetxt, h])
if __name__ == "__main__":
from html2elem import html2elem
from formathtml import formatHTML
s = """\
<!DOCTYPE html><html>
<head>
<meta charset="utf-8">
<title>My test<br> page</title>
</head>
<body>
<img src="images/firefox-icon.png" alt="My test image">
</body>
</html> """
root = html2elem(s) # ElementTreeのルートを取得。
print("\nElementTree\n")
print(ElementTree.tostring(root, encoding="unicode"))
h = elem2html(root) # ルートの子孫をHTMLの文字列に変換。
print("\nElementTree to HTML\n")
print(formatHTML(h, reset=True))
関数elem2html()にElementオブジェクトを渡すとHTMLの文字列が返ってきます。16行目以降は動作確認用のコードです。
関数html2elem()はHTMLをElementTreeにするPythonスクリプト、関数formatHTML()はHTMLを整形するPythonスクリプトのものです。
ElementTree
<root><doctype><!DOCTYPE html></doctype><html>
<head>
<meta charset="utf-8" />
<title>My test<br /> page</title>
</head>
<body>
<img alt="My test image" src="images/firefox-icon.png" />
</body>
</html> </root>
ElementTree to HTML
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8">
<title>My test
<br>
page
</title>
</head>
<body>
<img alt="My test image" src="images/firefox-icon.png">
</body>
</html>
動作確認用コードを実行するとこのような結果になります。まずHTMLをhtml2elem()に渡して作成したElementTreeをElementTree.tostring()でユニコード文字列に変換してXMLを出力しています。
XMLではすべて終了タグがついていることがわかります。
ElementTreeにパースする文字列がインデントしてあるとそれぞれtext属性、tail属性にインデントが入ってくるので、html2elem()に渡したHTMLがインデントされていると、ElementTree.tostring()で返ってくるXMLもインデントがそのまま表示されています。
関数elem2html()にそのElementオブジェクトを渡してHTMLを取得します。
さらにそのHTMLを関数formatHTML()に渡して整形していますが、すでにインデントされていると、きれいに整形できないので、formatHTML()の第2引数(Noneでなければ何でも可)を渡してまず空白文字だけのtextとtailを削除しています。
スクリプトの解説
def elem2html(elem): # ElementオブジェクトをHTMLにして返す。
doctypetxt = ""
doctype = elem.find(".//doctype") # ドキュメントタイプ宣言を入れたノードを取得。
if doctype is not None: # ドキュメントタイプ宣言を入れたノードが取得出来た時。
doctypetxt = doctype.text # ドキュメントタイプ宣言を取得。
elem.find(".//doctype/..").remove(doctype) # doctypeノードを削除。
h = ElementTree.tostring(elem, encoding="unicode", method="html")
emptytags = "source", "track", "wbr", "embed", "root" # 終了タグがついてくる空要素などの終了タグを削除。
for tag in emptytags:
h = h.replace("".join(["</", tag, ">"]), "")
h = h.replace("<root>", "")
return "".join([doctypetxt, h])
xml.etree.ElementTree.tostring()メソッドでencodingをunicode、methodにhtmlに指定すればelemとその子孫をHTMLの文字列に変換できるはずですが、空要素なのに終了タグがついてくるものがあります。Python3.6のElementTree.pyのHTML_EMPTYに空要素のタプルが定義してありますが、Empty element (空要素) - 用語集 | MDNと比べると、source、track、wbr、embed、keygenが含まれておらず、これらの終了タグが出力されてしまうからです。
HTML_EMPTYにはbasefont、frame、isindexも入っていますが、これらのタグはすでに廃止されています。
すでに廃止されているkeygen、basefont、frame、isindexを除いて、source、track、wbr、embedについてくる終了タグを13行目で削除しています。
HTMLをElementTreeにするPythonスクリプトで独自に追加した<doctype>要素や<root>要素についても、それぞれドキュメントタイプ宣言の要素、rootノードの削除という処理をしています。
参考にしたサイト
Empty element (空要素) - 用語集 | MDN
空要素は子要素をもつことができない要素のことで、終了タグが禁止されています。
0 件のコメント:
コメントを投稿