>>> s = '<div> < 20 </div>'
>>> import lxml.html
>>> tree = lxml.html.fromstring(s)
>>> lxml.etree.tostring(tree)
'<div> </div>'
有人知道任何解决方法吗？
答案 0 :(得分：13)
您的HTML输入已损坏; <左尖括号应该已编码为<。从lxml documentation解析破碎的HTML：
解析破坏的HTML的支持完全取决于libxml2的恢复算法。如果您发现文档严重破坏而解析器无法处理它们，则不是lxml的错误。也不能保证结果树将包含原始文档中的所有数据。在努力保持解析时，解析器可能不得不丢弃严重损坏的部分。特别错放的元标记可能会受此影响，这可能会导致编码问题。
换句话说，您可以从这些文档中获取所需的内容，lxml处理损坏的HTML的方式是不可配置的。
您可以尝试的一件事是使用不同的 HTML解析器。请尝试使用BeautifulSoup，它的破坏HTML处理可能会为您提供该文档的不同版本，它可以为您提供所需的文档。 BeautifulSoup可以重复使用不同的解析器后端，包括lxml和html5lib，因此它会为您提供更大的灵活性。
html5lib解析器会为您提供<字符（转换为<转义符）：
>>> BeautifulSoup("<div> < 20 </div>", "html5lib")
<html><head></head><body><div> < 20 </div></body></html>
答案 1 :(得分：2)
<实际上应该是<，因为<有点像保留字符＆＃39;在HTML中。然后它应该工作。