Question

我有一个博客，我将博客文章保存为数据库中的HTML字符串（基本上是html元素的文本）。例如：我创建了一篇博客文章，结果将以下字符串作为我的博客文章内容。

<p>asdasd</p><p><em></em><div>another string</div>

当用户来查看帖子时，我从数据库中检索上述内容并使用lxml etree来处理内容（与我的问题无关）并将内容返回给浏览器。

from lxml import etree as ET
obj = ET.parse(StringIO.StringIO(self.text), parser=ET.HTMLParser()) #self.text holds the html string of blog post
return ET.tostring(tree) # return the html string to browser

现在问题是发送到浏览器的内容如下

<p>asdasd</p><p></em /><div>another string</div>

这导致Chrome浏览器的所有问题，例如，在用户浏览器上，html以上将显示如下（在chrome自动尝试修复它之后）

<p>asdasd</p><p></em><div>another string</div></em>

有没有办法防止lxml etree在解析时更改html内容？似乎etree对所有空的html元素都这样做。即如果我放了一个 <div></div>然后将替换为<div />

Answer 1

您希望使用lxml在Python中尝试使用XML Canonicalization（C14N）：

来自此来源https://www.w3.org/TR/xml-c14n/我们读到：

空元素转换为起始标记对

示例代码：

from lxml import etree
xml = "<main><p>asdasd</p><p><em></em><div>another string</div></p></main>"
root_element = etree.XML(xml)
print(etree.tostring(root_element, method="c14n")))

<强>输出

b'<main><p>asdasd</p><p><em></em><div>another string</div></p></main>'

lxml etree用<em>替换<em> </em>

1 个答案: