个人中心
文章发布
退出
作者热门文章
- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时，我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
25
4
我正在尝试解析 html 片段:
<body><h1>title</h1><img src=""></body>
我使用 lxml.html.fromstring .它让我发疯，因为它一直在剥离 <body>我的片段的标签:
> lxml.html.fromstring('<html><h1>a</h1></html>').tag
'html'
> lxml.html.fromstring('<div><h1>a</h1></div>').tag
'div'
> lxml.html.fromstring('<body><h1>a</h1></body>').tag
'h1'
我也试过 document_fromstring , fragment_fromstring , clean_html与 page_structure=False等等...没有任何效果。
我需要使用 lxml，因为我要将 html 片段传递给 PyQuery。
我只是希望 lxml 不会弄乱我的 html 片段。有可能吗？
最佳答案
.fragment_fromstring()删除 <html>标签也是如此；基本上，只要您不有 HTML 文档(带有 <html> 顶级元素和/或文档类型)，.fromstring()回到 .fragment_fromstring()并且该方法同时删除了 <html>和 <body>标签，总是。
解决方法是告诉.fragment_fromstring()给你一个<body> 父级标签:
>>> lxml.html.fragment_fromstring('<body><h1>a</h1></body>', create_parent='body')
<Element body at 0x10d06fbf0>
这不会保留原始 <body> 上的任何属性标签。
另一种解决方法是使用 .document_fromstring()方法，它将您的文档包装在 <html> 中标签，然后您可以再次将其删除:
>>> lxml.html.document_fromstring('<body><h1>a</h1></body>')[0]
<Element body at 0x10d06fcb0>
这确实保留了 <body> 上的属性:
>>> lxml.html.document_fromstring('<body class="foo"><h1>a</h1></body>')[0].attrib
{'class': 'foo'}
使用 .document_fromstring()你的第一个例子的功能给出:
>>> body = lxml.html.document_fromstring('<body><h1>title</h1><img src=""></body>')[0]
>>> lxml.html.tostring(body)
'<body><h1>title</h1><img src=""></body>'
如果你只想在没有没有 HTML 标签的情况下执行此操作，请执行 lxml.html.fromstring()执行并测试完整文档:
htmltest = lxml.html._looks_like_full_html_bytes if isinstance(inputtext, str) else lxml.html._looks_like_full_html_unicode
if htmltest(inputtext):
tree = lxml.html.fromstring(inputtext)
else:
tree = lxml.html.document_fromstring(inputtext)[0]
关于python - 解析lxml中的html正文片段，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/16498805/
25
4
0
我有以下xml文件 10.10.0.135::3111 10.10.0.130::3111 10.10.0.129::3111 10.
我已经为 PyPy 创建了一个 virtualenv: virtualenv test -p `which pypy` source test/bin/activate 我安装了以下依赖项: sudo
我正在尝试使用 lxml 的 ElementTree etree 在我的 xml 文档中查找特定标签。标签如下所示: 12 我希望使用 etree.find('text:statedAge
在 python 3.5 项目中，我必须读取一些 xml 文件，因此我决定使用 lxml 库。由于我正在阅读文件，因此根据文档执行此操作的最有效方法是使用 lxml.etree.parse(...)
执行 pip install lxml 或 pip install pyquery 会出现此错误: gcc: error trying to exec 'cc1': execvp: No such f
我正在使用下面的代码获取一个部分的所有 html 内容以保存到数据库 el = doc.get_element_by_id('productDescription') lxml.html.tostri
我想以可区分的方式打印出 etree 的树结构(由 html 文档形成)(意味着两个 etree 应该以不同的方式打印出来)。 我所说的结构是指树的“形状”，基本上是指所有标签，但没有属性，也没有文本
谁能解释为什么第一次调用 root.cssselect() 有效，而第二次失败？ from lxml.html import fromstring from lxml import etree htm
我收到此错误“ImportError: No module named lxml”，即使确实安装了 LXML。具体来说，它安装在项目的 python Virtualenv 中。最终我正在研究 Pyth
我在 Windows 32 位上使用 Anaconda v4.2 和 Python 3.5，并想使用 lxml etree。我的 Anaconda 发行版包括 lxml 3.6.4，但我的 IDE(P
我有一个脚本，可以从 URL 列表的 XML 文件中提取一些术语。所有 URL 都可以访问 XML 数据。 它在第一次正确打开、解析和提取时工作正常，但随后在过程中被某些 XML 文件中断并出现此错误
我正在使用 mechanize/cookiejar/lxml 来读取页面，它适用于某些页面但不适用于其他页面。我在其中遇到的错误是标题中的错误。我不能在这里发布页面，因为它们不是 SFW，但是有没有办
这是一个基本的问题，我实际上在文档中找不到它:-/ 如下: img = house_tree.xpath('//img[@id="mainphoto"]')[0] 如何获取 的 HTML标记？ 我尝
我只想说，这个问题我已经在Pip is already installed: but I am getting no module named lxml看到了并且已经看到关于以非 root 用户身份安
我通过 pip 安装了 lxml 3.3.5。现在我在运行一些 Django 测试时遇到了问题: Traceback (most recent call last): File "manage.p
我有一个 Django 应用程序，其中包含 Tastypie 提供的 RESTFull 服务。我使用 easy_install 安装 lxml 和 defusedxml，这样我就可以使用 xml 而不
我正在使用 lxml etree 创建 xml 或 REST 调用。我有命名空间的问题，因为如果没有正确制定，我会从服务器收到语法错误。 正如您在以下 2 个示例中所看到的，我应该得到例如 ns1、n
我对导航具有 lxml.etree namespace 的 xml 文档感到有些困惑。 .我已经看到了一些关于这个主题的主题( 1 、 2 )以及 lxml docs但仍然没有想出答案。 xml =
由于各种原因，我试图从lxml.html.fromstring()切换到lxml.html.html5parser.document_fromstring()。两者之间的最大区别是，第一个返回lxml
我需要通过向现有元素添加子元素来修改现有的 xml 文件。我使用 lxml 库。 Eric Idle 999-999-999 555-555-555
我是一名优秀的程序员,十分优秀！