如何用 Python 清理 HTML 中冗余换行并合并文本行-html教程-PHP中文网

如何用 Python 清理 HTML 中冗余换行并合并文本行

本文介绍使用 xml.dom.minidom 安全解析并重构 HTML，自动合并被意外换行分割的文本内容与标签，消除多余空白行，同时保持结构语义正确性。

本文介绍使用 `xml.dom.minidom` 安全解析并重构 html，自动合并被意外换行分割的文本内容与标签，消除多余空白行，同时保持结构语义正确性。

在处理批量 HTML 文件时，常因编辑器误操作、模板生成错误或编码转换问题，导致 HTML 源码中出现大量非预期换行——例如 <p></p> 和

分居两行，段落文本被随机截断换行。手动修复效率极低，而简单字符串替换（如

replace('<p>\n', '</p>
<p>')</p>

）无法覆盖无标签纯文本行的合并逻辑，易遗漏或破坏嵌套结构。

更稳健的方案是先归一化文本流，再交由标准 XML/HTML 解析器重建 DOM 树。以下为推荐实现：

python-script-generator

快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。

下载

import xml.dom.minidom as MD

def clean_html_inplace(filepath):
    # 步骤1：读取并预处理：合并非标签行到前一行（保留标签行独立性）
    with open(filepath, "r", encoding="utf-8") as f:
        lines = [line.strip() for line in f if line.strip()]  # 去空行+去首尾空格

    merged_lines = []
    for line in lines:
        # 若当前行以 ），定位到第一个  标签
        start_idx = pretty_html.find("")
        if start_idx == -1:
            raise ValueError("Invalid HTML: no  tag found")
        cleaned_html = pretty_html[start_idx:]

        # 步骤3：覆写原文件
        with open(filepath, "w", encoding="utf-8") as f:
            f.write(cleaned_html)
        print(f"✓ Cleaned {filepath}")
    except Exception as e:
        print(f"✗ Failed to process {filepath}: {e}")

# 使用示例
clean_html_inplace("page.htm")

✅ 优势说明：

语义安全：minidom 基于真实 HTML/XML 语法解析，能正确识别标签边界、属性和嵌套，避免正则或字符串替换引发的标签错位风险；
智能合并：预处理阶段仅合并「非标签行」到前一个标签行，确保 <h1>Text</h1> 不被误拆成 <h1>Text</h1> + ；
格式可控：toprettyxml() 输出结构清晰、缩进统一，便于后续维护；
容错增强：添加了空行过滤、定位及异常捕获，适配真实生产环境。

⚠️ 注意事项：

minidom 对不严格闭合的 HTML（如 <br> 未写成 <br>）兼容性有限；若源文件含严重语法错误，建议先用 BeautifulSoup（配合 html.parser）预校验修复；
toprettyxml() 默认会插入 XML 声明，需手动截取起始位置以符合 HTML5 规范；
大文件处理时，可改用流式解析（如 lxml 的 incremental 模式）避免内存压力。