如何在将pyquery对象转换为字符串时取消特殊字符

Question

我试图用python请求模块获取远程页面，重建DOM树，做一些处理并将结果保存到文件。 当我获取页面然后将其写入文件时，一切正常（我可以稍后在浏览器中打开一个html文件并正确呈现）。

但是，如果我创建一个pyquery对象并进行一些处理然后使用str转换保存它就会失败。 具体来说，像保存源的脚本标记（由pyquery的应用程序引起）中的特殊字符（如&&等）会被修改，并且会阻止页面正确呈现。

这是我的代码：

import requests
from lxml import etree
from pyquery import PyQuery as pq

user_agent = {'User-agent': 'Mozilla/5.0'}
r = requests.get('http://www.google.com',headers=user_agent, timeout=4)

DOM = pq(r.text)
#some optional processing
fTest = open("fTest.html","wb")
fTest.write(str(DOM))
fTest.close()

所以，问题是： 如何确保在应用pyquery后不转义特殊字符？ 我想它可能与lxml（pyquery的父库）有关，但是在网上繁琐的搜索和不同的对象序列化方法的实验后，我仍然没有做到。 也许这也与unicode处理有关？！

提前谢谢了！

Answer 1

我找到了一个优雅的问题解决方案，以及之前代码无效的原因。

首先，您可以使用http://lxml.de/lxmlhtml.html仔细阅读该页面。 它有一节“使用电子工厂创建HTML” 。 在该部分之后，他们指出etree.tostring() method仅适用于XML。 但对于HTML而言，如果有更多可能使用脚本或样式标签的话，那么它就会乱七八糟。 所以..其次，解决方案是使用重载方法html.tostring() 。

最终的工作代码是：

# for networking
import requests
# for parsing and serialization
from lxml import etree
from lxml.html import tostring as html2str # IMPORTANT!!!
from pyquery import PyQuery as pq

user_agent = {'User-agent': 'Mozilla/5.0'}
r = requests.get('http://www.google.com',headers=user_agent, timeout=4)

# construct DOM object
DOM = pq(r.text)
# do stuff with DOM
#
# save result to file
fTest = open("fTest.html","wb")
fTest.write(html2str(DOM.root)) # IMPORTANT!!!
fTest.close()

希望将来能帮你们节省一些时间！ 玩得开心！ ;）