gpt4 book ai didi

html - lxml html5parser 忽略 "namespaceHTMLElements=False"选项

转载 作者:搜寻专家 更新时间:2023-10-31 21:47:43 26 4
gpt4 key购买 nike

lxml html5parser似乎忽略了我传递给它的任何 namespaceHTMLElements=False 选项。它将我给它的所有元素放入 HTML 命名空间而不是(预期的)void 命名空间。

这是一个重现问题的简单案例:

echo "<p>" | python -c "from sys import stdin; \
from lxml.html import html5parser as h5, tostring; \
print tostring(h5.parse(stdin, h5.HTMLParser(namespaceHTMLElements=False)))"

输出是这样的:

<html:html xmlns:html="http://www.w3.org/1999/xhtml"><html:head></html:head><html:body><html:p>
</html:p></html:body></html:html>

可以看出,html 元素和所有其他元素都在 HTML 命名空间中。

预期的输出是这样的:

<html><head></head><body><p>
</p></body></html>

我知道 namespaceHTMLElements 是一个 html5lib 选项,而不是 lxml 自己直接使用的原生 lxml 选项。 lxml 应该只调用 html5lib 并以 html5lib 按预期使用它的方式将该选项传递给 html5lib。


更新 2016-02-17

我仍然没有找到让 lxml html5parser 遵守 namespaceHTMLElements 的方法。但需要明确的是,另一种方法是直接调用 html5lib,如下所示:

echo "<p>" | python -c "from sys import stdin; \
import html5lib; from lxml import html; \
doc = html5lib.parse(stdin, treebuilder='lxml', namespaceHTMLElements=False); \
print html.tostring(doc)"

更多详情

一些我已经知道的事情:

  • html5lib 完全符合 HTML 规范的要求,包括 the requirement that the html element must be placed into the HTML namespace —html5lib 做什么
  • 但是,html5lib 提供了 namespaceHTMLElements=False 作为覆盖默认“将 html 元素放入 HTML 命名空间”行为的选项。
  • 当我直接使用 html5lib(而不是通过 lxml),并将 namespaceHTMLElements=False 传递给它时,一切都按预期工作——html 元素进入 void 命名空间.
  • 将一些 printf 黑入 html5lib 源代码,我观察到:

    • lxml 实际上按预期使用 namespaceHTMLElements=False 调用 html5lib
    • 但是,lxml 似乎调用了 html5lib 两次:第一次没有 namespaceHTMLElements,然后第二次有 namespaceHTMLElements=False

关于查找原因的结论

综上所述,很明显问题出在 lxml 和 html5lib 之间的接口(interface)上。我不确定为什么 lxml 两次调用 html5lib 但我认为这可能是因为出于某种原因它首先尝试创建自己的新实例 XHTMLParser 在做我实际要求的事情之前要做的,就是创建一个它自己的 HTMLParser 的实例。

所以也许它确实对 html5lib 进行了两次调用这一事实导致 html5lib 有点“锁定”第一次调用产生的默认 namespaceHTMLElements=True 行为,然后忽略 namespaceHTMLElements=False 指令,当它在第二次调用中看到它时。

也许以这种方式进行两次调用时,lxml 要么打破了 html5lib 中的某些假设,要么实际上以一种设计不打算使用的方式滥用 html5lib API。

或者根本不是 lxml 对 html5lib 进行两次单独调用的结果,而是它使用 html5lib 接口(interface)的方式存在其他问题。

无论如何,我很想听听其他人是否遇到过这个问题并有解决方法——或者至少对发生这种情况的原因有一些了解。

最佳答案

我在源代码中关注了 lxml 如何将参数传递给 html5lib。大多数函数都有一个整理*kws,然后交给下一个函数。在调用实际 html5 解析器时的最后步骤之一中,它被删除并使用 2 个固定参数调用解析器。

(我昨天遇到了同样的问题,刚到这个问题,忘记了细节,请允许我放弃任何代码片段和引用。)

无论如何,这证实了在 2018 年,如果由于某种原因调用 lxml 自己的解析器不是一个选项,直接调用 html5lib 仍然是首选方式。

(我的用例是:解析蹩脚的 html 并拥有 xpath。)

关于html - lxml html5parser 忽略 "namespaceHTMLElements=False"选项,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/32731479/

26 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com