从Python locale包提取HTML合规lang属性值的方案是否通用

你当前的实现不能适配所有语言场景，存在明显的鲁棒性缺陷：

• 异常值无兜底：部分环境下locale.getlocale()会返回(None, None)，或是C、POSIX这类系统内置的无实际语言含义的locale值，直接取值split会得到None或者C这类完全不符合HTML规范的lang属性值。
• 特殊格式适配失效：很多系统返回的locale会带编码后缀，比如de_DE.UTF-8、zh_CN.GBK，虽然split下划线取第一位暂时能拿到主语言码，但遇到带@修饰符的格式（比如塞尔维亚语的sr@latin），直接split会拿到带修饰符的错误值。
• 语义丢失：HTML lang属性遵循BCP 47标准，本身支持带地区子标签的写法，只需要把locale里的下划线替换为连字符即可（比如de-DE、zh-CN、pt-BR都是W3C验证认可的合法值），直接截掉下划线后的内容会丢失地区语义，无法区分同语言不同地区的差异（比如简体中文/繁体中文、巴西葡萄牙语/欧洲葡萄牙语）。

可以按照下面的逻辑调整，覆盖绝大多数场景：

1. 先处理异常locale值，设置合理的默认回退
2. 剥离编码后缀、@修饰符等和语言标签无关的内容
3. 按下划线替换为连字符的规则转换为BCP 47格式，按需选择保留完整标签或者只取主语言码

参考代码：

#!/usr/bin/env python3
import locale

def get_valid_html_lang(fallback_lang="en"):
    locale_tuple = locale.getlocale()
    raw_lang = locale_tuple[0]
    # 处理无有效locale的场景
    if not raw_lang or raw_lang in ("C", "POSIX"):
        return fallback_lang
    # 剥离编码后缀、@修饰符
    clean_tag = raw_lang.split(".")[0].split("@")[0]
    # 转换为BCP47要求的连字符格式
    bcp47_tag = clean_tag.replace("_", "-")
    
    # 如果只需要主语言标签（不需要地区/脚本子标签），打开下面这行注释即可
    # bcp47_tag = bcp47_tag.split("-")[0]
    
    return bcp47_tag

html_lang_value = get_valid_html_lang()
head_tag = f'<head lang="{html_lang_value}">'
print(head_tag)

这个实现可以覆盖几乎所有常见系统的locale返回格式：

• 对de_DE/de_DE.UTF-8会返回de-DE（如果开启主语言截取则返回de），符合W3C规范
• 对C/空值等异常场景会回退到你设置的默认语言，不会输出无效值
• 对pt_BR/zh_Hant_TW这类带地区、脚本标识的locale，能正确转换为pt-BR/zh-Hant-TW这类标准格式，语义更精准
• 对sr@latin这类带修饰符的locale，会正确剥离修饰符返回sr，不会生成非法标签

内容的提问来源于stack exchange，提问作者buhtz