Question

使用lxml.html时出现意外输出。

import lxml.html as LH

xmlspec = "<?xml version='1.0' encoding='iso-8859-1'?>"

a = LH.fromstring(xmlspec + "<html><body><p>Body</p></body></html>")
b = LH.fromstring(xmlspec + "<html><meta /><body><p>Body</p></body></html>")

print a # says element p while I would have expected html
print b # says element html which is expected

有人可以解释为什么会这样吗？删除xml规范后，一切正常！有解决这个问题的正确方法吗？

Answer 1

经过20多分钟的研究，我得出的结论是：

<?xml version='1.0' encoding='iso-8859-1'?><html><body><p>Body</p></body></html>

不是有效的HTML，而是有效的XML。

从技术上讲

<?xml version='1.0' encoding='iso-8859-1'?><html><meta /><body><p>Body</p></body</html>

也是无效的HTML，但是lxml可以接受。更加可接受的兼容版本是在<head><meta /></head>之后添加<html>，这虽然更好，但仍然不是很好（要成为有效的HTML，它需要在{{ 1}}，当然还有其他文档类型。

参考文献：

https://validator.w3.org

https://www.xmlvalidation.com/

lxml.html对两个相似的输入进行不同的处理？

1 个答案: