python - Python - lxml 库“清洁”方法只擦除一半的空节点

Question

我正在使用 Python 中的 lxml 库从我不想要的潜在有害代码/部分中清除 html 页面。我注意到函数中有一个奇怪的行为：当给定一个空<li>节点时，它会删除结束</li>标记而不是开始标记。

例如，

from lxml.html.clean import Cleaner
text = '<ul><li></li><li>FooBar</li></ul>'
cleaner = Cleaner()
print cleaner.clean_html(text)

将输出<ul><li><li>FooBar</li></ul>...

据我所知，这只发生在处理<li>标签时。这是来自 lxml 库的错误吗？难道我做错了什么？

任何见解将不胜感激。谢谢 ！

Answer 1

HTML 中的结束标记<li>是可选的，因此它不是错误，尽管它可能不是您想要的行为。

您可以通过将其打印为 XML 来强制结束标记：

from lxml.html.clean import Cleaner
import lxml.html as LH
text = '<ul><li></li><li>FooBar</li></ul>'
cleaner = Cleaner()
root = LH.fromstring(cleaner.clean_html(text, ))
print(LH.tostring(root, method='xml'))

产量

<ul><li/><li>FooBar</li></ul>