lxml序列化时缺少doctype
In [1]: from lxml import etree
我有一个HTML文档：
In [2]: root = etree.fromstring(u'''<!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML//EN">\n<HTML></HTML>''', etree.HTMLParser())
它的文档类型（doctype）被正确解析了：
In [3]: root.getroottree().docinfo.doctype
Out[3]: u'<!DOCTYPE html PUBLIC "-//IETF//DTD HTML//EN">'
但是在序列化的时候，我却丢失了它：
In [4]: etree.tostring(root.getroottree(), method='html')
Out[4]: '<html></html>'
我该怎么做才能把这个文档类型序列化出来呢？
我使用的是Debian GNU/Linux，版本是Sid。Python 2.6.6，lxml版本是2.2.8-2。
2 个回答
2
到目前为止，我唯一能让它正常工作的办法是使用默认的XML解析器，并在文档中添加一个非空的系统网址：
>>> html = etree.parse(StringIO('''<!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML//EN" " ">\n<HTML></HTML>'''))
>>> etree.tostring(html, method="xml")
'<!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML//EN" " ">\n<HTML/>'
>>> etree.tostring(html, method="html")
'<!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML//EN" " ">\n<HTML></HTML>'
而使用HTMLParser时，虽然得到的文档信息是一样的，但输出却不是我想要的结果：
>>> html = etree.parse(StringIO('''<!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML//EN" " ">\n<HTML></HTML>'''), etree.HTMLParser())
>>> etree.tostring(html, method="html")
'<html></html>'
1
有个问题，之前在另一个回答的评论里提到过：序列化时缺少文档类型。这个问题在2015年2月修复了，会在lxml的3.5版本中发布。