奇怪的lxml行为

Question

考虑以下代码段：

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

我本来希望看到'<div><br />Hello text</div>' ，因为br不能有嵌套文本，并且是“自封闭的”（我的意思是/> ）。 如何使lxml处理正确？

Answer 1

HTML没有自动关闭标签。 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())

版画

<br/>Hello text

请注意，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

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，您通常可以使用它来将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"