Python + LXML：如何查找標簽的名稱空間？

Question

我正在使用python + lxml處理一些HTML文件。 其中一些已經用MS Word編輯過，例如，我們有<p>標記寫為<o:p>&nbsp</o:p> 。 IE和Firefox不會將這些MS標記解釋為真實的<p>標記，並且不會在<o:p>標記之前和之后顯示換行符，這就是原始編輯器格式化文件的方式，例如， NBSP的。

另一方面，lxml很整潔，在處理完HTML文件之后，我們看到所有<o:p>標簽都已更改為正確的<p>標簽。 不幸的是，在整理之后，兩個瀏覽器現在在所有nbsp周圍顯示換行符，這破壞了原始格式。

因此，我的想法是瀏覽所有這些<o:p>標記，然后刪除它們或將其.text屬性添加到父.text屬性，即刪除<o:p>標記標記。

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 + "'"

結果是：

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

因此，lxlm從標記標記中刪除名稱空間名稱。 有沒有辦法知道哪個<p>標記來自哪個名稱空間，所以我只刪除那些帶有<o:p>標記？

謝謝。

Answer 1

根據HTML規范：“ HTML語法不支持名稱空間聲明 ”。 因此，我認為lxml.html.HTMLParser刪除/忽略命名空間。

但是，BeautifulSoup對HTML的解析方式有所不同，因此我認為值得一試。 如果還安裝了BeautifulSoup，則可以將BeautifulSoup解析器與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不會刪除名稱空間，但是也不會這樣識別名稱空間。 相反，它只是標記名稱的一部分。

也就是說，

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

不起作用。 但是這種解決方法/黑客

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

產量

tag: o:p,  text: 'msoffice_para'

Answer 2

如果html的格式正確，則可以改用etree.XMLParser 。 否則，請嘗試unutbu的答案。