HTML Tidy未清理重复xmlns:xlink属性，致XSLT处理器报错求解决

问题背景 #

用HTML Tidy 5.8.0清理网页HTML用于后续XSLT转换，多数场景下处理正常，但遇到页面中的<use/>元素存在重复的相同xmlns:xlink定义时，Tidy处理后既无警告也无错误，输出内容却会触发XSLT处理器和xmllint报错：Attribute xmlns:xlink redefined。

已尝试的无效配置 #

试过以下Tidy参数，均无法解决问题：

• --output-xml 1
• --drop-proprietary-attributes 1

需求 #

希望Tidy能像处理普通重复属性那样，对重复的xmlns:xlink属性做归一化处理（保留首个或最后一个实例），需确认是遗漏了正确配置，还是这属于Tidy的bug。

分析与结论 #

1. 命名空间属性的特殊性：xmlns:*属于XML命名空间声明，不属于普通HTML属性，Tidy的常规重复属性清理逻辑未覆盖这类特殊属性。Tidy的核心定位是HTML修复，对XML规范的严格性支持可能存在缺失。
2. 是否为bug：根据XML规范，同一元素上重复声明相同命名空间属于非法结构，Tidy作为支持输出XML的工具，未对这种情况做处理或提示，大概率属于功能缺陷（bug）。

临时解决方案 #

• 预处理正则替换：在交给Tidy处理前，用正则移除重复的xmlns:xlink属性，例如：

  import re
  # 保留第一个xmlns:xlink声明，移除后续重复项
  cleaned_html = re.sub(r'(<use[^>]+?xmlns:xlink="[^"]+")(.*?)xmlns:xlink="[^"]+"', r'\1\2', raw_html)
  

• 后处理XML解析：Tidy处理完成后，用支持XML规范的解析器（如Python的lxml）加载输出内容，解析器会自动合并重复的命名空间声明：

  from lxml import etree
  tidy_output = ... # Tidy处理后的内容
  root = etree.fromstring(tidy_output.encode('utf-8'))
  fixed_html = etree.tostring(root, encoding='unicode')
  

内容的提问来源于stack exchange，提问作者mike