我正在尝试解析 html 片段:
<body><h1>title</h1><img src=""></body>
我使用 lxml.html.fromstring .它让我发疯，因为它一直在剥离 <body>我的片段的标签:
> lxml.html.fromstring('<html><h1>a</h1></html>').tag
'html'
> lxml.html.fromstring('<div><h1>a</h1></div>').tag
'div'
> lxml.html.fromstring('<body><h1>a</h1></body>').tag
'h1'
我也试过 document_fromstring , fragment_fromstring , clean_html与 page_structure=False等等...没有任何效果。
我需要使用 lxml，因为我要将 html 片段传递给 PyQuery。
我只是希望 lxml 不会弄乱我的 html 片段。有可能吗？
最佳答案
.fragment_fromstring()删除 <html>标签也是如此；基本上，只要您不有 HTML 文档(带有 <html> 顶级元素和/或文档类型)，.fromstring()回到 .fragment_fromstring()并且该方法同时删除了 <html>和 <body>标签，总是。
解决方法是告诉.fragment_fromstring()给你一个<body> 父级标签:
>>> lxml.html.fragment_fromstring('<body><h1>a</h1></body>', create_parent='body')
<Element body at 0x10d06fbf0>
这不会保留原始 <body> 上的任何属性标签。
另一种解决方法是使用 .document_fromstring()方法，它将您的文档包装在 <html> 中标签，然后您可以再次将其删除:
>>> lxml.html.document_fromstring('<body><h1>a</h1></body>')[0]
<Element body at 0x10d06fcb0>
这确实保留了 <body> 上的属性:
>>> lxml.html.document_fromstring('<body class="foo"><h1>a</h1></body>')[0].attrib
{'class': 'foo'}
使用 .document_fromstring()你的第一个例子的功能给出:
>>> body = lxml.html.document_fromstring('<body><h1>title</h1><img src=""></body>')[0]
>>> lxml.html.tostring(body)
'<body><h1>title</h1><img src=""></body>'
如果你只想在没有没有 HTML 标签的情况下执行此操作，请执行 lxml.html.fromstring()执行并测试完整文档:
htmltest = lxml.html._looks_like_full_html_bytes if isinstance(inputtext, str) else lxml.html._looks_like_full_html_unicode
if htmltest(inputtext):
tree = lxml.html.fromstring(inputtext)
else:
tree = lxml.html.document_fromstring(inputtext)[0]
关于python - 解析lxml中的html正文片段，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/16498805/