我正在针对以下测试文档进行测试:
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"
"http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<title>hi there</title>
</head>
<body>
<img class="foo" src="bar.png"/>
</body>
</html>
如果我使用 lxml.html 解析文档,我可以使用 xpath 获得 IMG:
>>> root = lxml.html.fromstring(doc)
>>> root.xpath("//img")
[<Element img at 1879e30>]
但是,如果我将文档解析为 XML 并尝试获取 IMG 标记,则会得到一个空结果:
>>> tree = etree.parse(StringIO(doc))
>>> tree.getroot().xpath("//img")
[]
我可以直接导航到元素:
>>> tree.getroot().getchildren()[1].getchildren()[0]
<Element {http://www.w3.org/1999/xhtml}img at f56810>
但这当然不能帮助我处理任意文件。我还希望能够查询 etree 以获得一个 xpath 表达式,该表达式将直接识别此元素,从技术上讲,我可以这样做:
>>> tree.getpath(tree.getroot().getchildren()[1].getchildren()[0])
'/*/*[2]/*'
>>> tree.getroot().xpath('/*/*[2]/*')
[<Element {http://www.w3.org/1999/xhtml}img at fa1750>]
但是,xpath 显然对于解析任意文档没有用处。
显然我在这里遗漏了一些关键问题,但我不知道它是什么。我最好的猜测是它与命名空间有关,但唯一定义的命名空间是默认命名空间,我不知道关于命名空间我还需要考虑什么。
那么,我错过了什么?