python ElementTree寫函數

Question

我使用python ElementTree來讀取和修改我的html文件的一些內容。當我完成更改並使用ElementTree.write函數時，它會添加額外的html：所有標籤的infront。我應該如何避免這種情況？

2）它還增加了&我有特殊字符。我應該如何避免這種情況？

謝謝 Divya。

Answer 1

你不行。 ElementTree通過加載XML，解析它並僅存儲抽象表示來工作。它寫道，出來一串步行抽象表示，但它不記得的東西哪些字符被轉義爲實體或元素是否被存儲爲<foo/>或<foo></foo>（HTML：<foo>或<foo></foo>）

現在，因爲ElementTree只能用於XML（不是HTML），所以我猜你正在使用lxml.html--在這種情況下，它實際上會自動糾正某些形式的錯誤HTML，否則它將無法存儲它正確。

正確的方式來處理HTML的數據，你想要完全保存，除了你如何改變它，是抓住它的記憶它們的原始表示形式的標記。我已經使用sgmllib這樣做了，但這是不完美的 - 例如有一個get_starttag_text方法用於獲取開始標記的內容，但沒有相應的結束標記方法。無論如何，這可能已經足夠好了。

例如，寫出來的HTML，所有的段落被刪除，一個可以寫的函數是這樣的：

from cStringIO import StringIO 

class SGMLModifier(sgmllib.SGMLParser): 
    def __init__(self, *args, **kwargs): 
     sgmllib.SGMLParser.__init__(self, *args, **kwargs) 
     self._file = StringIO() 

    def getvalue(self): 
     return self._file.getvalue() 

    def start_b(self, attributes): 
     # skip it 
     pass 

    def end_b(self): 
     # skip it 
     pass 

    def unknown_starttag(self, tag, attributes): 
     self._file.write(self.get_starttag_text()) 

    def unknown_endtag(self, tag): 
     # we can't get this verbatim. 
     self._file.write('</%s>' % tag) 

    def handle_comment(self, comment): 
     # no verbatim here either. 
     self._file.write('<!-- %s -->' % comment) 

    def handle_data(self, data): 
     self._file.write(data) 

    def convert_entityref(self, ref): 
     return '&' + ref + ';' 

def remove_bold(html): 
    parser = SGMLModifier() 
    parser.feed(html) 
    return parser.getvalue() 

這可能需要更多的工作，以不破壞原輸入。查看文檔以瞭解所有內容。