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'<div><br />Hello text</div>'，因为br不能有嵌套文本，并且是“自封闭的”(我指的是/>)。如何让lxml正确处理它？

Answer 1

HTML没有自动关闭标签。这是一件xml的事情。

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())

打印

<br/>Hello text

请注意，文本不在标记内。lxml有一个"tail“的概念。

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

Answer 2

在处理有效的XHTML时，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，您通常可以使用以下代码将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："<br/>Hello text"