我正在尝试使用lxml模块解析网络上的各种页面，例如：
def dom(self):
return lxml.html.fromstring(self.content)
但在 html5 页面的情况下，我似乎必须将其切换lxml.html为lxml.html.html5parser。
http://lxml.de/html5parser.html
那么如何确定页面是否基于 html5？在解析之前我必须DOCTYPE逐个检查字符吗？
编辑：我做了一个简单的正则表达式来处理这个问题。它似乎有效，但是，是的，我仍在寻找一些巧妙的方法。该解决方案打破了sourceline方法。
import lxml.html
from lxml.html import html5parser
def dom(self):
content = self.content
if self._is_html5():
elm = html5parser.fromstring(content)
content = lxml.html.tostring(elm, method='html')
return lxml.html.fromstring(content)
def _is_html5(self):
return bool(re.match(r'^<!doctype html>', self.content, re.I))