当前位置：首页>python>用 JustHTML 在 Python 中重获对 HTML 的完全掌控

用 JustHTML 在 Python 中重获对 HTML 的完全掌控

  • 2026-09-02 18:56:18
用 JustHTML 在 Python 中重获对 HTML 的完全掌控

一、JustHTML 是什么？—— 一次“氛围工程”的完美实践

JustHTML 由瑞典开发者 Emil Stenström 创建，它是一个用纯 Python 编写的 HTML5 解析库，其核心代码仅有约 3,000 行。它最大的特点是 “零依赖”——无需编译 C 扩展，无需安装任何系统库，可以无缝运行在 PyPy、Pyodide 等任何 Python 环境中。

JustHTML 源自 Mozilla Servo 浏览器引擎的 Rust 解析器 html5ever，经过完全重写为 Python 代码。它 100% 通过了由浏览器厂商维护的官方 html5lib-tests 测试套件（超过 9,200 个测试用例）。这意味着，它的解析结果与主流浏览器高度一致，能够完美处理各种“非标准”的 HTML 输入。

请在微信客户端打开

著名开发者 Simon Willison 将 JustHTML 的开发过程称为 “氛围工程”（Vibe Engineering） 的典范——Emil 在数月的业余时间中，利用 GitHub Copilot 等 AI 编码助手，完成了一个完整、健壮的 HTML5 解析器。随后，Simon 仅用 4.5 小时就利用 AI 工具将其完整移植到了 JavaScript，可见其设计的清晰与高效。

二、安装与基础解析：开箱即用

2.1 安装

JustHTML 的安装极其简单，只需一行命令：

pip install justhtml

2.2 基础解析示例

JustHTML 最基本的功能是解析 HTML 字符串并生成 DOM 树。通过 .to_html() 方法即可将其转换回字符串。

from justhtml import JustHTML# 1. 解析一个完整的 HTML 片段html_snippet = '<p>Hello, <b>world</b>!</p>'doc = JustHTML(html_snippet, fragment=True)print(doc.to_html())# 输出: <p>Hello, <b>world</b>!</p># 2. 解析不完整/错误的标签 (JustHTML 会像浏览器一样自动修复)# 例如，缺少闭合标签的 <i>malformed_html = '<p><b>Hi<i>there</b>!'doc_fixed = JustHTML(malformed_html, fragment=True)print(doc_fixed.to_html())# 输出: <p><b>Hi<i>there</i></b><i>!</i></p>

注意 fragment=True 参数：它告诉解析器输入是 HTML 片段而非完整文档，因此不会自动添加 <html> 和 <body> 标签，这在处理用户输入时非常有用。

三、安全清洗：默认安全的 HTML 处理

JustHTML 内置了类似 Bleach 的白名单清洗功能。默认情况下，它会自动移除 <script> 等潜在危险的标签和属性，从源头防止 XSS 攻击。

from justhtml import JustHTML# 默认的安全清洗 (移除了 <script> 和危险的 href)dangerous_html = '''<p>Hello<script>alert(1)</script><ahref="javascript:alert(1)">bad</a><ahref="https://example.com">ok</a></p>'''safe_doc = JustHTML(dangerous_html, fragment=True)print(safe_doc.to_html())# 输出: <p>Hello<a>bad</a><ahref="https://example.com">ok</a></p>

3.1 自定义清洗规则

如果你需要更精细的控制，可以通过 Sanitizer 类自定义白名单规则：

from justhtml import JustHTML, Sanitizercustom_sanitizer = Sanitizer()custom_sanitizer.allow_tag("b")custom_sanitizer.allow_tag("i")custom_sanitizer.allow_attr("class")  # 允许 class 属性html = '<pclass="intro">Hello <b>world</b>!</p>'doc = JustHTML(html, fragment=True, sanitizer=custom_sanitizer)print(doc.to_html())# 输出: <pclass="intro">Hello <b>world</b>!</p>

3.2 禁用清洗

如果你信任输入的 HTML 并且不需要安全清洗，可以通过 sanitize=False 禁用：

doc = JustHTML(trusted_html, fragment=True, sanitize=False)

四、CSS 选择器查询：类 jQuery 的查找体验

JustHTML 提供了 query() 和 query_one() 两个方法，让你可以使用标准的 CSS 选择器来快速定位元素。这比传统的 DOM 遍历要高效得多。

from justhtml import JustHTMLhtml_content = """<main>  <article class="post">    <h2>文章标题</h2>    <p>这是一段 <em>重要的</em> 内容。</p>    <p class="summary">这是文章摘要。</p>  </article>  <div class="sidebar">    <p>边栏内容</p>  </div></main>"""# 解析文档doc = JustHTML(html_content, fragment=True)# 查询所有段落all_paragraphs = doc.query("p")print(f"找到 {len(all_paragraphs)} 个段落。")  # 输出: 找到 3 个段落。# 查询类为 "summary" 的段落summary_paragraph = doc.query_one("p.summary")print(f"摘要内容: {summary_paragraph.to_html()}")# 输出: 摘要内容: <p class="summary">这是文章摘要。</p># 使用复杂的选择器: 查找 <article> 内部的所有 <p> 元素article_paragraphs = doc.query("article p")for p in article_paragraphs:    print(p.to_html())# 输出:# <p>这是一段 <em>重要的</em> 内容。</p># <p class="summary">这是文章摘要。</p>

4.1 支持的选择器语法

JustHTML 支持丰富的 CSS 选择器语法，包括：

类型选择器: p

类选择器: .highlight

ID 选择器: #main

属性选择器: [href], [href="value"]

后代组合器: div p

子元素组合器: div > p

相邻兄弟组合器: h1 + p

伪类: :first-child, :last-child, :nth-child(n), :contains("text")

五、DOM 转换：链式处理节点

JustHTML 允许你在解析后对 DOM 进行一系列链式修改。这在处理用户生成的内容或对现有 HTML 进行微调时非常有用。

from justhtml import JustHTML, Unwrap, Linkify, SetAttrs, Drophtml_content = '''<p>Visit example.com for more info. <span class="highlight">Important!</span><span class="remove-me">Spam content here.</span></p>'''# 应用多个转换:# 1. Unwrap("span.highlight"): 移除 <span> 标签，但保留其内部文本 ("Important!")# 2. Drop("span.remove-me"): 完全删除指定元素及其内容# 3. Linkify(): 自动将文本中的 URL ("example.com") 转换为可点击的 <a> 标签# 4. SetAttrs("a", rel="nofollow"): 为所有 <a> 标签添加 rel="nofollow" 属性doc_transformed = JustHTML(    html_content,    fragment=True,    sanitize=False,  # 信任输入内容，关闭默认清洗    transforms=[        Unwrap("span.highlight"),        Drop("span.remove-me"),        Linkify(),        SetAttrs("a", rel="nofollow")    ])print(doc_transformed.to_html())# 输出: <p>Visit <a href="http://example.com" rel="nofollow">example.com</a> for more info. Important!</p>

五、从零构建 HTML：编程式生成

如果你需要动态生成 HTML 结构，JustHTML 同样提供了强大的支持。你可以使用 element 函数以编程方式创建元素，这比拼接字符串要安全、清晰得多。

from justhtml import JustHTMLfrom justhtml.builder import element# 构建一个简单的文章结构article_tree = element(    "article",     {"class": "blog-post"},  # 属性字典    element("h2", "我的博客文章"),    element("p", "这是文章的第一段。"),    element("div", {"class": "meta"}, "发布于 2025-12-14"),    element("a", {"href": "/more"}, "阅读更多..."))# 将构建好的树交给 JustHTML 进行标准化处理doc = JustHTML(article_tree, fragment=True, sanitize=False)print(doc.to_html(pretty=True))# 输出:# <article class="blog-post">#   <h2>我的博客文章</h2>#   <p>这是文章的第一段。</p>#   <div class="meta">发布于 2025-12-14</div>#   <a href="/more">阅读更多...</a># </article>

七、实用技巧与最佳实践

7.1 与 BeautifulSoup 集成

JustHTML 可以与 BeautifulSoup 无缝集成。通过实现一个自定义的 JustHTMLTreeBuilder，你可以使用 BeautifulSoup 熟悉的 API（如 find_all()）的同时，享受 JustHTML 标准合规的 HTML5 解析能力。

# 概念性示例（需要实现自定义 TreeBuilder）# from bs4 import BeautifulSoup# from justhtml_tree_builder import JustHTMLTreeBuilder# soup = BeautifulSoup(html, "justhtml")

7.2 性能优化建议

批量处理：如果需要解析大量 HTML 片段，使用 fragment=True 可以避免生成不必要的 <html> 和 <body> 标签，减少内存开销。

合理使用清洗：如果输入的 HTML 完全可信，通过 sanitize=False 禁用清洗可以略微提升性能。

使用转换器：尽量使用内置的转换器（如 Drop、Unwrap）进行 DOM 操作，而非手动遍历节点，它们的实现已经过充分优化。

7.3 处理深度嵌套的 HTML

需要注意的是，由于 Python 递归深度的限制（默认 1000），JustHTML 在解析极端深度嵌套的 HTML（如嵌套 1000 层以上的 <div>）时可能会触发 RecursionError。这是 Python 语言本身的限制，而非 JustHTML 的缺陷。如果你的应用需要处理此类输入，可以考虑：

import syssys.setrecursionlimit(5000)  # 提高递归深度限制

或者在应用层面预先检测并拒绝深度异常的输入。

八、JustHTML 的工作流程

以下流程图清晰地展示了 JustHTML 处理 HTML 时的典型流程，帮助你理解各个功能模块是如何协同工作的：

九、总结与展望

JustHTML 不仅仅是一个解析器，它是一个集解析、清洗、查询、转换和构建于一体的瑞士军刀，专为追求简洁、可靠和高效的 Python 开发者设计。

核心优势回顾：

纯 Python，零依赖：无 C 扩展，无系统依赖，可在任何 Python 环境运行

浏览器级正确性：100% 通过 html5lib-tests 测试套件

默认安全：内置白名单清洗，从源头防止 XSS 攻击

CSS 选择器：熟悉的 jQuery 式语法，快速定位元素

链式转换：内置多种 DOM 转换器，可组合使用

代码精简：约 3,000 行核心代码，易于理解和调试

无论你是需要处理不可靠的网络数据、清洗用户提交的富文本，还是需要动态生成 HTML，JustHTML 都能为你提供一个优雅且强大的解决方案。它的纯 Python 特性也使其成为在 Jupyter Notebook、云函数或 Pyodide 等受限环境中的理想选择。

推荐阅读：

JustHTML 官方文档

JustHTML GitHub 仓库

Simon Willison 对 JustHTML 的深度分析

在线试用 JustHTML 的 Playground

编辑：余文彬
审校：余雨馨
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：596563534@qq.com 。

Python 3.14 官方中文包+安装步骤(附全部版本安装包)

期刊图片复现|Python绘制绝美带误差棒和数值标记3D柱状图

最新文章

随机文章