lxml使用元素移动文本

Question

我有一个用div包装图片的问题。

from lxml.html import fromstring
from lxml import etree

tree = fromstring('<img src="/img.png"/> some text')
div = etree.Element('div')
div.insert(0, tree.find('img'))
tree.insert(0, div)
print etree.tostring(tree)

<span><div><img src="/img.png"/> some text</div></span>

为什么它会添加一个范围，如何在没有文字的情况下将图像包裹起来？

Answer 1

因为lxml实际上是一个xml解析器。它有一些宽容的解析规则，允许它解析html（lxml.html部分），但它将在内部始终构建一个有效的树。

'<img src="/img.png"/> some text'不是树，因为它没有单个根元素，有img元素和文本节点。为了能够在内部存储此snipplet，lxml需要将其包装在合适的标记中。如果你单独给它一个字符串，它会将它包装在p标签中。早期的版本只包含html标签中的所有内容，这可能会导致更多的混淆。

你也可以使用html.fragment_fromstring，在这种情况下不会添加标签，但会因为片段无效而引发错误。

至于文本为什么坚持img标签：这就是lxml如何存储文本。举个例子：

>>> p = html.fromstring("<p>spam<br />eggs</p>")
>>> br = p.find("br")
>>> p.text
'spam'
>>> br.text       # empty
>>> br.tail       # this is where text that comes after a tag is stored
'eggs'

因此，通过移动标签，您也可以移动它的尾部。

Answer 2

lxml.html是一个更友善，更温和的xml处理器，试图理解无效的xml。你传入的刺痛只是从xml角度来看是垃圾，但是lxml.html将它包装在span元素中以使其再次有效。如果你不想要lxml.html guestimating，请坚持使用lxml.etree.fromstring（）。该版本将拒绝该字符串。