python - 我可以查看使用 lxml 从 html 文档解析的元素源的实际行吗

Question

我一直很喜欢用 lxml 操作 html。现在我想对实际文件进行一些操作，在找到满足我的需求的特定元素后，我想知道是否可以检索该元素的源。

在看到 sourceline 作为我的元素的一种方法后，我在椅子上跳来跳去，但这并没有给我我想要的东西。

some_element.sourceline

据我所知，只有当 htm 源是列表文件时才能使用 sourceline，以便获得行号。

我最好补充一点，我是通过

生成元素的

theTree=html.fromstring(open(myFileRef).read())

the_elements=[e  for e in theTree.iter()]

需要明确的是，我得到 None 作为 some_element.sourceline 的值 - 我对树中的所有 27,000 个元素进行了测试

我想做的一件事是在表达式中使用 html 源来查找文档中的特定位置，也许可以剪掉一些东西。我不能依赖元素的文本，因为文本不一定是唯一的。

已发布但被删除的一个解决方案是使用源行，但即使在将我的文件作为列表读取后，我也无法获得除源行 None 之外的任何值。我将发布另一个问题，看看是否有人有使用源代码的示例

我刚刚尝试并放弃了 html.tostring(myelement) 因为它至少自动转换一些编码(我可能没有正确地表达它)这是一个例子:

html 源代码片段

<b>  KEY 1A.&nbsp;&nbsp;&nbsp;&nbsp;REGIONAL PRODUCTION    <br>    </b>

html.tostring(the_element,method='html')

显然我没有得到原始的、未经修饰的来源。

'<b>  KEY 1A.&#160;&#160;&#160;&#160;REGIONAL PRODUCTION    <br></b>'

Answer 1

我想我发现了这个问题，因为我也遇到了同样的问题。

我相信，如果您在解析文档时对文档进行任何类型的 xslt 转换，element.sourceline 就会丢失。

当我不转换文档时，我的源代码行很好，但是，当我使用etree.XSLT时，我丢失了所有源代码行数据。