.fragment_fromstring()
删除<html>
也有标签;基本上,每当你这样做时not有一个 HTML 文档(带有<html>
顶级元素和/或文档类型),.fromstring()
回落至.fragment_fromstring()
该方法删除了<html>
和<body>
标签,总是。
解决方法是告诉.fragment_fromstring()
给你一个<body>
parent tag:
>>> lxml.html.fragment_fromstring('<body><h1>a</h1></body>', create_parent='body')
<Element body at 0x10d06fbf0>
这不会保留原始的任何属性<body>
tag.
另一种解决方法是使用.document_fromstring()
方法,它将把你的文档包装在一个<html>
标签,然后您可以再次删除该标签:
>>> lxml.html.document_fromstring('<body><h1>a</h1></body>')[0]
<Element body at 0x10d06fcb0>
This does保留属性<body>
:
>>> lxml.html.document_fromstring('<body class="foo"><h1>a</h1></body>')[0].attrib
{'class': 'foo'}
使用.document_fromstring()
第一个示例的函数给出:
>>> body = lxml.html.document_fromstring('<body><h1>title</h1><img src=""></body>')[0]
>>> lxml.html.tostring(body)
'<body><h1>title</h1><img src=""></body>'
如果您只想在存在的情况下执行此操作noHTML 标签,做什么lxml.html.fromstring()
执行并测试完整文档:
htmltest = lxml.html._looks_like_full_html_bytes if isinstance(inputtext, str) else lxml.html._looks_like_full_html_unicode
if htmltest(inputtext):
tree = lxml.html.fromstring(inputtext)
else:
tree = lxml.html.document_fromstring(inputtext)[0]