Question

请考虑以下代码段：

import lxml.html

html = '<div><br />Hello text</div>'
doc = lxml.html.fromstring(html)
text = doc.xpath('//text()')[0]
print lxml.html.tostring(text.getparent())
#prints <br>Hello text

我原本希望看到'<div><br />Hello text</div>'，因为br无法嵌套文字而且是“自我关闭”（我的意思是/>）。如何让lxml正确处理它？</ p>

Answer 1

HTML没有自动关闭代码。这是一个xml的东西。

import lxml.etree

html = '<div><br />Hello text</div>'
doc = lxml.etree.fromstring(html)
text = doc.xpath('//text()')[0]
print lxml.etree.tostring(text.getparent())

打印

<br/>Hello text

请注意，文字不在标签内。 lxml有一个“tail”概念。

>>> print text.text
None
>>> print text.tail
Hello text

Answer 2

当您处理有效的XHTML时，您可以使用etree代替html。

import lxml.etree

html = '<div><br />Hello text</div>'
doc = lxml.etree.fromstring(html)
text = doc.xpath('//text()')[0]
print lxml.etree.tostring(text.getparent())

有趣的是，您通常可以使用它将HTML转换为XHTML：

import lxml.etree
import lxml.html

html = '<div><br>Hello text</div>'
doc = lxml.html.fromstring(html)
text = doc.xpath('//text()')[0]
print lxml.etree.tostring(text.getparent())

输出："<br/>Hello text"

奇怪的lxml行为

2 个答案: