在Python中，如何去掉HTML片段中的“root”标签？

Question

假设我有一段这样的HTML代码：

<div>
  Hello <strong>There</strong>
  <div>I think <em>I am</em> feeing better!</div>
  <div>Don't you?</div>
  Yup!
</div>

我想知道，最好的方法是什么，能把外面的根元素去掉，让它变成这样：

Hello <strong>There</strong>
<div>I think <em>I am</em> feeing better!</div>
<div>Don't you?</div>
Yup!

我试过用lxml.html这样做：

lxml.html.fromstring(fragment_string).drop_tag()

但这样只给我返回了“Hello”，我想这也没什么问题。有没有更好的办法呢？

Answer 1

对于这么简单的任务，你可以使用正则表达式，比如 r'<(.*?)>(.*)</\1>'，这样就能从中提取出第二部分内容（在perl中叫做\2）。

你还应该加上像 ms 这样的标志，以确保它在多行文本中能正常工作。

Answer 2

你可以使用BeautifulSoup这个工具包。对于这个特定的HTML，我会这样做：

import BeautifulSoup

html = """<div>
  Hello <strong>There</strong>
  <div>I think <em>I am</em> feeing better!</div>
  <div>Don't you?</div>
  Yup!
</div>"""

bs = BeautifulSoup.BeautifulSoup(html)

no_root = '\n'.join(map(unicode, bs.div.contents))

BeautifulSoup有很多很棒的功能，可以让你根据不同的情况调整这个例子。完整的使用说明在这里：http://www.crummy.com/software/BeautifulSoup/documentation.html。

Answer 3

在使用lxml（或者ElementTree）时，这个情况有点奇怪。你需要这样做：

def inner_html(el):
    return (el.text or '') + ''.join(tostring(child) for child in el)

需要注意的是，lxml（和ElementTree）没有特别的方式来表示一个文档，文档必须以一个单独的元素为根。不过，如果那个<div>不是根元素的话，.drop_tag()就能像你想的那样工作。