如何将不规范的HTML转换为格式良好的XML Tidy工具

Tidy 可将不规范 html 转为 xml 兼容 xhtml，需启用 –output-xhtml yes 或 –xml-output yes；前者更常用，自动修复标签闭合、引号、大小写等，并支持 -asxhtml、–indent、–wrap 0 等参数优化输出。

可以使用 HTML Tidy（常简称为 Tidy）将不规范的 HTML 转换为格式良好、符合 XML 语法的 XHTML 或纯 XML 兼容结构。

确认 Tidy 支持 XML 输出模式

Tidy 默认输出是 HTML，要生成 XML 格式，必须启用 xml-output 或 xhtml 选项。两者略有区别：

• --xml-output yes：强制以 XML 模式解析并输出，要求标签闭合、属性加引号、区分大小写等；对非 XHTML 的 HTML 可能报错或失败
• --output-xhtml yes：更常用，将输入转换为严格 XHTML 1.0/1.1 兼容格式，自动修复缺失闭合标签、转义特殊字符、标准化属性名（如 checked="checked"），输出内容可被标准 XML 解析器读取

命令行中启用 XHTML/XML 模式

在终端运行 Tidy 时添加关键参数：

tidy -asxhtml --output-xhtml yes --indent auto --wrap 0 input.html > output.xhtml

常用参数说明：

立即学习“前端免费学习笔记（深入）”；

• -asxhtml：强制作为 XHTML 解析输入（即使文件扩展名是 .html）
• --output-xhtml yes：确保输出是合法 XHTML（XML 兼容）
• --indent auto：自动缩进，提升可读性
• --wrap 0：禁用行宽截断，避免文本被意外换行
• --clean yes（可选）：移除 microsoft word 等生成的冗余样式和注释

处理常见不规范问题

Tidy 在 XML/XHTML 模式下会主动修正以下典型问题：

• 自闭合标签补全：将
→
， →
• 属性值强制加双引号： →
• 大小写统一：将大写标签名转为小写（
  →

  ），符合 XML 规范

• 嵌套错误修复：对
  ...

  这类非法嵌套尝试重排结构

验证输出是否真正 XML 兼容

生成文件后，可用简单方式验证是否满足基本 XML 要求：

• 用 python 快速测试：import xml.etree.ElementTree as ET; ET.parse("output.xhtml") —— 若无异常，则可被标准 XML 解析器加载
• 检查首行是否有 XML 声明：（Tidy 默认不加，需手动添加或用 --add-xml-decl yes）
• 确保所有标签正确嵌套、闭合，无孤立 或未转义的 字符