蟒蛇 + lxml：如何查找标签的名称空间？

Question

我正在使用 python + lxml 处理一些 HTML 文件。其中一些已经用 MS Word 编辑过，我们将

标记编写为 &nbsp实例。 IE 和 Firefox 不会将这些 MS 标签解释为真正的

标签，并且不会在 标签前后显示换行符，并且这就是原始编辑器格式化文件的方式，例如 nbsp 周围没有空格。

另一方面，lxml 很整洁，在处理 HTML 文件后，我们看到所有 标记已更改为正确的

标签。不幸的是，在整理之后，两个浏览器现在都会在所有 nbsp 周围显示换行符，这会破坏原始格式。

因此，我的想法是浏览所有这些 标记，然后删除它们或将其 .text 属性添加到父 .text 属性中，即删除 标签标记。

from lxml import etree
import lxml.html
from StringIO import StringIO

s='<p>somepara</p> <o:p>msoffice_para</o:p>'

parser = lxml.html.HTMLParser()
html=lxml.html.parse( StringIO( s), parser)

for t in html.xpath( "//p"):
     print "tag: " + t.tag + ",  text: '" + t.text + "'"

结果是：

tag: p,  text: 'somepara'
tag: p,  text: 'msoffice_para'

因此，lxlm 从标签标记中删除名称空间名称。有没有办法知道哪个

标签来自哪个命名空间，所以我只删除带有 的标签？

谢谢。

Answer 1

根据 HTML 规范：“HTML 语法不支持命名空间声明” 。
所以我认为 lxml.html.HTMLParser 删除/忽略名称空间。

然而，BeautifulSoup 解析 HTML 的方式不同，所以我认为它可能值得一试。如果您还安装了 BeautifulSoup，则可以将 BeautifulSoup 解析器与 lxml 一起使用，如下所示：

import lxml.html.soupparser as soupparser
import lxml.html
import io
s='<p>somepara</p> <o:p>msoffice_para</o:p>'
html=soupparser.parse(io.BytesIO(s)) 

BeautifulSoup 不会删除名称空间，但也不会识别名称空间。相反，它只是标签名称的一部分。

也就是说，

html.xpath('//o:p',namespaces={'o':'foo'})

行不通。但是这个解决方法/黑客

for t in html.xpath('//*[name()="o:p"]'):    
    print "tag: " + t.tag + ",  text: '" + t.text + "'"

会产生

tag: o:p,  text: 'msoffice_para'

Answer 2

如果 html 实际上格式良好，您可以使用 etree.XMLParser 代替。否则，请尝试 unutbu 的答案。