pythonlxml改变标记层次结构？

Question

我对lxml有个小问题。我正在将XML文档转换为HTML文档。 原始XML如下所示（看起来像HTML，但在XML文档中）：

<p>Localization - Eiffel tower? Paris or Vegas <p>Bayes theorem p(A|B)</p></p>

当我这样做时（项目是上面的字符串）

^{pr2}$

我明白了：

<div><p>Localization - Eiffel tower? Paris or Vegas </p><p>Bayes theorem p(A|B)</p></div>

我对<；div>；没有任何问题，但是“Bayes定理”段落不再嵌套在外部段落中是一个问题。在

有人知道lxml为什么要这么做，以及如何阻止它吗？谢谢。在

Answer 1

您使用的是lxml的HTML解析器，而不是XML解析器。试试这个：

>>> from lxml import etree
>>> item = '<p>Eiffel tower? Paris or Vegas <p>Bayes theorem p(A|B)</p></p>'
>>> root = etree.fromstring(item)
>>> etree.tostring(root, pretty_print=True)
'<p>Eiffel tower? Paris or Vegas <p>Bayes theorem p(A|B)</p></p>\n'

Answer 2

lxml这样做是因为它不存储无效的HTML，以及HTML中的<p>元素can't be nested：

The P element represents a paragraph. It cannot contain block-level elements (including P itself).