4

从 Fedora 17 切换到 18 后，对于相同的 lxml 代码，我得到了不同的解析行为，这显然是由于底层库的版本不同（libxml2 和 libxslt 版本发生了变化）。

这是两个版本的不同结果的 lxml 代码示例：

from io import BytesIO
from lxml import etree

myHtmlString = \
    '<!doctype html public "-//w3c//dtd html 4.0 transitional//en">\r\n'+\
    '<html>\r\n'+\
    '<head>\r\n'+\
    '   <title>Title</title>\r\n'+\
    '</head>\r\n'+\
    '<body/>\r\n'+\
    '</html>\r\n'
myFile = BytesIO(myHtmlString)
myTree = etree.parse(myFile, etree.HTMLParser())
myTextElements = myTree.xpath("//text()")
myFullText = ''.join([myEl for myEl in myTextElements])

assert myFullText == 'Title', repr(myFullText)

f17 版本通过了断言，即xpath("//text()")只返回 text 'Title'，而 f18 版本失败并输出

Traceback (most recent call last):
  File "TestLxml.py", line 17, in <module>
    assert myFullText == 'Title', repr(myFullText)
AssertionError: '\r\n\r\n   Title\r\n\r\n\r\n'

显然，f18 版本处理换行符和空格的方式与 f17 版本不同。

有没有办法控制这种行为？（某个地方的可选参数？）或者更好的是，有没有一种方法可以让我使用新库恢复旧行为？

4

1 回答 1

1

在 XML 中， text() 按原样（未剥离）返回标签内的文本，因此如果您有任何空白字符、制表符、新行，它们将被包括在内。

可能是您使用 + 和 \n\r 构建多行字符串的方式意外测试了两个不同的字符串。

如果您将字符串更改为如下例所示的三引号字符串并对其进行测试。

from io import BytesIO
from lxml import etree


html = '''
    <!doctype html public "-//w3c//dtd html 4.0 transitional//en">
    <html>
    <head>
       <title>Title</title>
    </head>
    <body/>
    </html>
'''
tree = etree.parse(BytesIO(html), etree.HTMLParser())
text_elements = tree.xpath("//text()")
full_text = ''.join(text_elements)
assert full_text == 'Title', repr(full_text)

您还可以看到，用空格或换行符包围文本使它们成为 text() 函数返回的一部分。见title下文。

html = '''
<!doctype html public "-//w3c//dtd html 4.0 transitional//en">
<html>
<head>
   <title>   Title   </title>
</head>
<body/>
</html>
'''
tree = etree.parse(BytesIO(html), etree.HTMLParser())
text_elements = tree.xpath("//text()")
full_text = ''.join(text_elements)
assert full_text == '   Title   ', repr(full_text)

如果你不需要空格，你可以自己在字符串上调用 strip() 。如果您确定即使您的标签不包含空格，您也会收到空格，那么您应该将其报告为lxml 邮件列表上的错误。

于 2013-04-25T20:55:57.200 回答