我需要的是一种使用html5lib解析器生成真正的xml.etree.ElementTree的方法。 (出于可移植性原因,不能选择lxml。)

ELementTree.parse can take a parser作为可选参数

xml.etree.ElementTree.parse(source, parser=None)


但目前尚不清楚这种解析器的外观。我可以在parser参数中使用HTML5中的类或对象吗?有关此问题的两个库的文档都很薄。



内容:

我有一个格式错误的XHTML文件,无法使用ElementTree.parse进行解析:

<?xml version="1.0" ?>
<!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><meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
<title>Title</title></head>
<body><div class="cls">Note that this br<br>is missing a closing slash</div></body>
</html>


所以我用html5lib.parse代替了默认的treebuilder="etree"参数,效果很好。

但是html5lib显然不会输出xml.etree.ElementTree对象,只有一个具有几乎相同的API的对象。这有两个问题:


html5lib的find不支持namespaces parameter,使得XPath过于冗长而没有笨拙的wrapper function
Eclipse调试器不支持html5lib etree的追溯。


因此,我不能单独使用ElementTree或html5lib。

最佳答案

给定xml.etree.ElementTreeetree(通常以as形式导入):

返回的不是etree.ElementTree,而是etree.Element(这与etree.fromstring返回的内容相同;只有etree.parse返回etree.ElementTree)。它确实是etree模块的一部分-它没有类似的API。您遇到的问题与html5lib一样适用于etree.fromstring

Python documentation for xml.etree.ElementTree没有提及namespaces参数-它似乎是ElementTree对象(但不是Element对象)的未记录功能。因此,它可能并不是真正应该依赖的东西!您最好的选择可能是使用包装器功能。

Eclipse无法通过树的事实归结为html5lib存在时默认为xml.etree.cElementTree的事实-根据模块的文档,这是相同的,但是使用CPython的API在C中实现,从而停止了Eclipse的调试器运作。您可以使用以下非加速版本获取treebuilder(Python 3.3中的注释均是C实现-cElementTree仅作为不赞成使用的别名而保留)使用以下方法:

import xml.etree.ElementTree as etree
import html5lib

tb = html5lib.getTreeBuilder("etree", implementation=etree)
p = html5lib.HTMLParser(tb)
tree = p.parse("<html>")

10-08 09:17