Question

使用python / lxml解析HTML时，我想检索html元素的实际属性文本，但我得到带有已解析实体的属性文本。也就是说，如果是实际属性阅读this & that，我回来from lxml import etree s = '<html><body><a alt="hi & there">a link</a></body></html>' parser = etree.HTMLParser() tree = etree.fromstring(s, parser=parser) anc = tree.xpath('//a') a = anc[0] a.get('alt') 'hi & there' a.attrib.get('alt') 'hi & there' etree.tostring(a) '<a alt="hi & there">a link</a>'。

有没有办法获得未解析的属性值？下面是一些显示我的问题的示例代码，使用python2.7和lxml 3.2.1

hi &amp; there

我想获得实际的字符串{{1}}。

Answer 1

非转义字符在HTML中无效，HTML抽象模型（本例中为lxml.etree）仅适用于有效的HTML。因此，在将源HTML加载到对象模型之后，没有未转义字符的概念。

鉴于HTML源中未转义的字符，解析器将完全失败，或尝试自动修复源。 lxml.etree.HTMLParser似乎属于后一类。对于演示：

s = '<div>hi & there</div>'
parser = etree.HTMLParser()
t = etree.fromstring(s, parser=parser)
print(etree.tostring(t.xpath('//div')[0]))
#the source is automatially escaped. output:
#<div>hi &amp; there</div>

而我相信，HTML树模型不会保留有关原始HTML源的信息，而是保留了固定有效的HTML源。所以在这一点上，我们只能看到所有字符都被转义。

话虽如此，如何使用cgi.escape()获取转义的实体！：P

#..continuing the demo codes above:
print(t.xpath('//div')[0].text)
#hi & there
print(cgi.escape(t.xpath('//div')[0]).text)
#hi &amp; there

如何使用python和lxml从html属性中获取未解析的实体

1 个答案: