奇怪的 lxml 行为

Question

考虑以下代码片段：

import lxml.html

html = '<div><br />Hello text</div>'
doc = lxml.html.fromstring(html)
text = doc.xpath('//text()')[0]
print lxml.html.tostring(text.getparent())
#prints <br>Hello text

我期望看到 '


gt;Hello text

'，因为 br 不能嵌套文本并且是“自封闭的”（我的意思是 />）。如何让lxml正确处理它？

Answer 1

HTML 没有自闭合标签。这是一个xml的东西。

import lxml.etree

html = '<div><br />Hello text</div>'
doc = lxml.etree.fromstring(html)
text = doc.xpath('//text()')[0]
print lxml.etree.tostring(text.getparent())

请

<br/>Hello text

注意，文本不在标签内。 lxml 有一个“tail”概念。

>>> print text.text
None
>>> print text.tail
Hello text

Answer 2

当您处理有效的 XHTML 时，您可以使用 etree 而不是 html。

import lxml.etree

html = '<div><br />Hello text</div>'
doc = lxml.etree.fromstring(html)
text = doc.xpath('//text()')[0]
print lxml.etree.tostring(text.getparent())

有趣的是，您通常可以使用它将 HTML 转换为 XHTML：

import lxml.etree
import lxml.html

html = '<div><br>Hello text</div>'
doc = lxml.html.fromstring(html)
text = doc.xpath('//text()')[0]
print lxml.etree.tostring(text.getparent())

输出："
gt;Hello text"