lxml.html.tostring 打印时重排序 doctype 和 xml 标签
假设我有一个文件叫做 test.html，里面有一些内容，
<?xml version="1.0" encoding="UTF-8" standalone="no"?><!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1//EN" "http://www.w3.org/TR/xhtml11/DTD/xhtml11.dtd"><html xmlns="http://www.w3.org/1999/xhtml"><head><title>Components of the SDK</title><link rel="stylesheet" href="core.css" type="text/css"/><meta name="generator" content="DocBook XSL Stylesheets V1.74.0"/></head><body></body></html>
然后在 Python 的命令行里执行这个，
>>>import lxml.html
>>>t = lxml.html.parse('test.html')
>>>lxml.html.etree.tostring(t)
>>>'<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1//EN" "http://www.w3.org/TR/xhtml11/DTD/xhtml11.dtd">\n<?xml version="1.0" encoding="UTF-8" standalone="no"??><html xmlns="http://www.w3.org/1999/xhtml"><head><title>Components of the SDK</title><link rel="stylesheet" href="core.css" type="text/css"/><meta name="generator" content="DocBook XSL Stylesheets V1.74.0"/></head><body/></html>'
你会注意到，当 lxml 读取数据后，再通过 tostring 打印出来时，文档类型和 XML 标签的顺序被颠倒了。我们怎么才能解决这个问题，让它不去修改文档（假设文档是格式正确的）呢？
1 个回答
6
简短回答
可以这样做（假设你的文档都是格式正确的XML）
etx = lxml.etree.parse('test.html')
print lxml.etree.tostring(etx, xml_declaration=True, encoding=etx.docinfo.encoding, standalone=etx.docinfo.standalone)
解释
test.html 实际上并不是有效的HTML。它里面有空元素和一个XML处理指令，而这些HTML是无法理解的。HTML解析器把这个XML处理指令当成SGML处理指令来解析（这就像是 <? ... > 而不是XML的 <? ... ?>），内容是 xml version="1.0" encoding="UTF-8" standalone="no"?。所以在重新序列化为XML时，这个XML处理指令就变成了双问号，像这样： ??>
使用 html5lib 解析器或序列化器的结果稍微好一些——当重新序列化为XML时，处理指令会被放在注释里。这是因为HTML5也不允许SGML处理指令，并且会把XML的开头部分当成无用的文本来忽略。
为了得到你想要的结果，建议使用XML解析器（lxml.etree）来解析和序列化你的文档。它看起来是格式正确的XML和有效的XHTML1.1。如果你用HTML序列化器（lxml.html.tostring()，而不是 lxml.html.etree.tostring()）来序列化，它会输出一个多语言的XHTML文档。
需要注意的是，序列化器并不会完全保留XML声明（毕竟这不是XML信息集的一部分）。你需要通过 docinfo 属性把这些信息传递给 tostring() 方法。