Python XPath 解析带撇号的标签

Question

我刚接触XPath，想用它来解析一个网页。我需要从某个标签中获取信息，但标题里的转义单引号搞得我一团糟。

我使用的解析工具是Grab。

源代码中的标签：

<img src='somelink' border='0' alt='commission:Alfred\'s misadventures' title='commission:Alfred\'s misadventures'>

实际的XPath：

g.xpath('.//tr/td/a[3]/img').get('title')

返回结果：

commission:Alfred\\

有没有什么办法可以解决这个问题呢？

谢谢！

Answer 1

因为提供的“XML”文档格式不正确，里面有嵌套的引号，所以无法对它进行XPath表达式的评估。

可以将这个格式不正确的文本修正为：

<img src="somelink"
 border="0"
 alt="commission:Alfred's misadventures"
 title="commission:Alfred's misadventures"/>

如果有一个奇怪的要求是不使用引号，那么一种正确的转换方式是：

<img src='somelink'
 border='0'
 alt='commission:Alfred&apos;s misadventures'
 title='commission:Alfred&apos;s misadventures'/>

如果你得到的是不正确的输入，在像C#这样的语言中，可以尝试将其转换为正确的格式，方法是：

string correctXml = input.replace("\\'s", "'s")

在Python中可能也有类似的方法可以做到这一点。

Answer 2

输入的数据如果不规范，输出的结果也会有问题。你的输入格式不正确，因为它没有正确处理单引号。很多编程语言（比如Python）用反斜杠来处理字符串中的引号，但XML不这样做。你可以选择：1）用双引号把属性值包起来；或者 2）使用 ' 来表示单引号。

根据XML规范：

为了让属性值可以同时包含单引号和双引号，单引号（'）可以用 ' 来表示，而双引号（"）可以用 " 来表示。