防止lxml处理<script>标签中的数据
我正在尝试写一个Python脚本，用来修改我正在解析的文件中<script>标签的内容。我选择使用lxml.html（而不是BeautifulSoup等）是因为它速度更快。<script>标签的内容被注释标签（<!-- 和 -->）包围：
<script>
<!--
...
-->
</script>
问题是，当我尝试像这样做 scriptNode.text = '<!-- ... 时，lxml会把尖括号转换成它们的HTML表示形式（& lt; 和 & gt;），当我把HTML写回文件时就出现了这个问题。我尝试在字符串中转义它们（'\< ...'），但这似乎没有帮助。
从大多数现代网站来看，这些注释标签似乎并不是必需的。我可以把它们去掉，但很多脚本中也包含了一些HTML，如果这些也被修改成它们的HTML表示形式，那就麻烦了。
我很惊讶lxml会修改这些数据，最后我听说HTML解析器是为了避免修改或解释<script>标签中的数据而设计的。
有没有什么设置或命令可以让我防止这种情况发生？
谢谢
2 个回答
1
我刚找到一个替代方案，看起来也能正常工作，就是用tostring()代替write()：
main = open('file.html', 'w')
main.write(lxml.html.tostring(htmlTree))
main.close()
而不是
htmlTree.write('file.html', pretty_print=False)
我想把这个也发在这里，虽然我决定使用CDATA，因为这似乎是一个更干净的解决方案，可以避免将来在其他解析脚本中出现问题。
4
把它们放在一个 CDATA区域里。