我正在编写一个使用 lxml.html 来解析网页的脚本。我曾经做过一些 BeautifulSoup，但由于它的速度，我现在正在尝试使用 lxml。
我想知道在库中最明智的方法是做相当于 Javascript 的 InnerHtml 的方法——即检索或设置标签的完整内容。
<body>
<h1>A title</h1>
<p>Some text</p>
</body>
InnerHtml 因此是:
<h1>A title</h1>
<p>Some text</p>
我可以使用 hacks(转换为字符串/正则表达式等)来做到这一点，但我假设有一种正确的方法可以使用由于不熟悉而丢失的库。感谢您的帮助。
编辑:感谢 pobk 如此快速有效地向我展示了这方面的方法。对于任何尝试相同的人，这就是我最终得到的结果:
from lxml import html
from cStringIO import StringIO
t = html.parse(StringIO(
"""<body>
<h1>A title</h1>
<p>Some text</p>
Untagged text
<p>
Unclosed p tag
</body>"""))
root = t.getroot()
body = root.body
print (element.text or '') + ''.join([html.tostring(child) for child in body.iterdescendants()])
请注意，lxml.html 解析器会修复未关闭的标签，因此请注意这是否有问题。
最佳答案
很抱歉再次提出此问题，但我一直在寻找解决方案，而您的解决方案包含错误:
<body>This text is ignored
<h1>Title</h1><p>Some text</p></body>
直接在根元素下的文本被忽略。我最终这样做了:
(body.text or '') +\
''.join([html.tostring(child) for child in body.iterchildren()])
关于python - 使用 lxml.html 解析 HTML 时等价于 InnerHTML，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/6123351/