Question

我需要一种方法来使用html5lib解析器生成一个真正的xml.etree.ElementTree。（出于可移植性的原因，lxml不是一个选项。）

ELementTree.parse can take a parser作为可选参数

xml.etree.ElementTree.parse(source, parser=None)

但目前尚不清楚这样的解析器会是什么样子。我可以在parser参数中使用HTML5中的类或对象吗？关于这个问题的两个图书馆的文档都很薄。

上下文：

我的格式错误的XHTML文件无法使用ElementTree.parse进行解析：

<?xml version="1.0" ?>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head><meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
<title>Title</title></head>
<body><div class="cls">Note that this br<br>is missing a closing slash</div></body>
</html>

所以我使用html5lib.parse代替了默认的treebuilder="etree"参数，该参数运行正常。

但是html5lib显然没有输出xml.etree.ElementTree对象，只有一个具有几乎相同的API。这有两个问题：

html5lib的find不支持namespaces parameter，使得XPath过于冗长而没有笨拙的wrapper function。
Eclipse调试器不支持html5lib etrees的钻取。

所以我不能单独使用ElementTree或html5lib。

Answer 1

将xml.etree.ElementTree视为etree（因为它通常被导入）：

返回的内容不是etree.ElementTree，而是etree.Element（这与etree.fromstring返回的内容相同;只有etree.parse返回etree.ElementTree）。它确实是etree模块的一部分 - 它不是具有类似API的东西。您遇到的问题与html5lib一样适用于etree.fromstring。

Python documentation for xml.etree.ElementTree没有提到namespaces参数 - 它似乎是ElementTree个对象（但不是Element个对象）的未记录的特征。因此，它可能不是真正应该依赖的东西！您最好的选择可能是使用包装函数。

Eclipse不能通过树的事实可以归结为html5lib在存在时默认为xml.etree.cElementTree这一事实 - 根据模块的文档，这是相同的，但是使用CPython的API在C中实现，阻止Eclipse的调试器运行。你可以使用非加速版本获得一个treebuilder（来自Python 3.3 的注释是C实现 - cElementTree仅仅作为一个不推荐的别名存在），使用下面的代码：

import xml.etree.ElementTree as etree
import html5lib

tb = html5lib.getTreeBuilder("etree", implementation=etree)
p = html5lib.HTMLParser(tb)
tree = p.parse("<html>")

Answer 2

您必须将回复包装在ElementTree

中

>>> from xml.etree.ElementTree import ElementTree
>>> from html5lib import parse
>>>
>>> ElementTree(parse("<html>"))
<xml.etree.ElementTree.ElementTree at 0x...>

使用html5lib和xml.etree.ElementTree

2 个答案: