fromstring() ->; tostring() 修改整个 HTML 结构
我正在尝试使用 lxml.html 编写一个清理例程来删除 没有内容的空 DIV 元素。在调试过程中我注意到 标准 tostring() -> fromstring() 迭代修改了我的 HTML。 首先它删除了外部 body 标签,其次它改变了 DIV 结构。
为什么?
(Pdb) from lxml.html import fromstring, tostring
(Pdb) print html
<body>
<div></div>
<p>hello world</p>
<div> </div>
<p><div> </div></p>
</body>
(Pdb) print tostring(fromstring(html))
<div>
<div></div>
<p>hello world</p>
<div> </div>
<p></p><div> </div>
</div>
I am trying to use lxml.html for writing a cleanup routine to remove
empty DIV elements having no content. During the debugging I noticed that
a standard tostring() -> fromstring() iteration modifies my HTML.
Firstly it removes the outer body tag and secondly it changes the DIV structure.
Why?
(Pdb) from lxml.html import fromstring, tostring
(Pdb) print html
<body>
<div></div>
<p>hello world</p>
<div> </div>
<p><div> </div></p>
</body>
(Pdb) print tostring(fromstring(html))
<div>
<div></div>
<p>hello world</p>
<div> </div>
<p></p><div> </div>
</div>
如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
发布评论
评论(1)
这是正确的。虽然您的示例格式良好,但它不是有效的 html,因此 lxml 尝试尽力纠正它。特别是 div 元素不能嵌套在 p 元素内,并且根标签不能是 body。使用 etree 模块代替:
That's correct. While your example is well-formed, it is not valid html so lxml tries to correct it to the best of its ability. In particular the div element can't be nested inside p elements and the root tag cannot be body. Use the etree module instead: