Cómo analizar HTML en Python

Aspose.HTML FOSS para Python analiza el marcado con el algoritmo estándar de construcción de árboles: HTMLDocument.parse() para páginas completas, HTMLDocument.parse_fragment() para fragmentos, y clases de elementos tipados (HTMLElement y sus subclases) en el resultado. Esta guía cubre los puntos de entrada del análisis y verifica la salida mediante el DOM, usando pip para la instalación.

Guía paso a paso

Paso 1: Instalar el paquete

git clone https://github.com/aspose-html-foss/Aspose.HTML-FOSS-for-Python.git
cd Aspose.HTML-FOSS-for-Python
pip install -e .

Paso 2: Importar las clases requeridas

from aspose_html.html_document import HTMLDocument
from aspose_html.dom import Document

Paso 3: Elegir el punto de entrada de análisis adecuado

HTMLDocument.parse() ejecuta la construcción del árbol de documento completo con recuperación de errores según los estándares; HTMLDocument.parse_fragment() aplica el algoritmo de fragmento para marcado parcial; HTMLDocument.load() lee de una fuente. Los elementos analizados llegan tipados — un <a> es un HTMLAnchorElement, un <input> un HTMLInputElement.

Paso 4: Verificar la salida a través del DOM

El resultado analizado es un árbol DOM normal — se aplican las mismas API de búsqueda y atributos. Construir la estructura equivalente programáticamente muestra la superficie compartida:

doc = Document()
el = doc.create_element("div")
el.set_attribute("id", "content")
doc.append_child(el)
print(doc.get_element_by_id("content").has_child_nodes())

Paso 5: Continuar con estilos o estructura

Adjunte hojas de estilo y lea los estilos computados, o use los asistentes de inserción de Element (insert_adjacent_html(), insert_adjacent_text()) para ediciones localizadas — la salida del análisis alimenta cada otra capa.

Problemas comunes y soluciones

El marcado parcial obtiene envoltorios html y body. parse() aplica reglas de documento completo; use parse_fragment() para fragmentos.

El marcado malformado se analiza sin errores. Ese es el comportamiento estándar — la construcción del árbol define la recuperación para cada caso de error en lugar de lanzar una excepción.

El contenido de la tabla aparece fuera de su tabla. El “foster parenting” del contenido de tabla mal ubicado es parte del algoritmo; corrige la anidación de origen.

Preguntas frecuentes

¿Los elementos analizados están tipados?

Sí — el análisis produce la jerarquía HTMLElement: controles de formulario (HTMLFormElement, HTMLInputElement), contenido incrustado (HTMLImageElement, HTMLCanvasElement), navegación (HTMLAnchorElement), y más.

¿Puedo controlar la canalización de análisis a un nivel inferior?

Sí — los Tokenizer y TreeBuilder son públicos, con parse_html() como el contenedor de una sola llamada.

¿El análisis ejecuta scripts?

No. La evaluación del script es explícita y separada mediante JSContext.