奇怪的lxml行为

Question

考虑下面这段代码：

import lxml.html

html = '<div><br />Hello text</div>'
doc = lxml.html.fromstring(html)
text = doc.xpath('//text()')[0]
print lxml.html.tostring(text.getparent())
#prints <br>Hello text

我本来期待看到 '<div><br />Hello text</div>'，因为 br 标签不能包含其他文本，而且是“自闭合”的（我的意思是 />）。我该怎么做才能让 lxml 正确处理这个呢？

Answer 1

当你在处理有效的XHTML时，可以使用etree来代替html。

import lxml.etree

html = '<div><br />Hello text</div>'
doc = lxml.etree.fromstring(html)
text = doc.xpath('//text()')[0]
print lxml.etree.tostring(text.getparent())

有趣的是，你通常可以用这个方法把HTML转换成XHTML：

import lxml.etree
import lxml.html

html = '<div><br>Hello text</div>'
doc = lxml.html.fromstring(html)
text = doc.xpath('//text()')[0]
print lxml.etree.tostring(text.getparent())

输出结果："<br/>Hello text"

Answer 2

HTML里没有自闭合标签。这是XML的特性。

import lxml.etree

html = '<div><br />Hello text</div>'
doc = lxml.etree.fromstring(html)
text = doc.xpath('//text()')[0]
print lxml.etree.tostring(text.getparent())

打印

<br/>Hello text

注意，文本并不在标签内部。lxml有一个叫做"tail"的概念。

>>> print text.text
None
>>> print text.tail
Hello text