Python lxml 的 XPath 在 标签中找不到

Question

我对 pythons lxml 的 XPath 函数有疑问。一个最小的示例是以下 python 代码:

from lxml import html, etree

text = """
      <p class="goal">
            <strong>Goal</strong> <br />
            <ul><li>test</li></ul>
        </p>
"""

tree = html.fromstring(text)
thesis_goal = tree.xpath('//p[@class="goal"]')[0]
print etree.tostring(thesis_goal)

运行代码产生

<p class="goal">
            <strong>Goal</strong> <br/>
            </p>

如您所见，整个 <ul> block 丢失。这也意味着无法解决 <ul>使用 //p[@class="goal"]/ul 的 XPath , 作为 <ul>不算作 <p> 的 child .

这是 lxml 的错误还是特性，如果是后者，我如何才能访问 <p> 的全部内容？ ？这东西被嵌入到一个更大的网站中，甚至不能保证是一个<ul>标签(内部可能还有另一个 <p>，或其他任何东西)。

更新:收到答案后更新了标题，让有同样问题的人更容易找到这个问题。

Answer 1

ul 元素(或更一般地 flow content )是 not allowed inside p elements (只能包含 phrasing content )。因此 lxml.html 将 text 解析为

In [45]: print(html.tostring(tree))
<div><p class="goal">
            <strong>Goal</strong> <br>
            </p><ul><li>test</li></ul>

</div>

ul 跟在 p 元素之后。所以您可以使用 XPath 找到 ul 元素

In [47]: print(html.tostring(tree.xpath('//p[@class="goal"]/following::ul')[0]))
<ul><li>test</li></ul>