我有一些看起来像这样的 SGML
<!DOCTYPE sometype>
<ITEM>
<DATE>19-OCT-1987</DATE>
<TEXT>
<TITLE>I AM THE TITLE</TITLE>
<AUTHOR>I AM THE AUTHOR</AUTHOR>
<DATELINE>WHEN I WAS CREATED</DATELINE><BODY>
I WANT TO PRESERVE THIS TAG!
</BODY></TEXT>
</ITEM>
<ITEM>...
我试图用 lxml.html 解析它，但它似乎去除了我需要保留的 BODY 标签。接下来我尝试使用 lxml.etree，但正如您所见，所有 ITEM 标签都没有共同的父元素。我目前使用的代码
doc = """<!DOCTYPE sometype>
<ITEM>
<DATE>19-OCT-1987</DATE>
<TEXT>
<TITLE>I AM THE TITLE</TITLE>
<AUTHOR>I AM THE AUTHOR</AUTHOR>
<DATELINE>WHEN I WAS CREATED</DATELINE><BODY>
I WANT TO PRESERVE THIS TAG!
</BODY></TEXT>
</ITEM>"""
from lxml import etree
parser = etree.XMLParser(recover=True) # I have invalid HTML chars to ignore
sgml = etree.fromstring(doc, parser)
现在 sgml 只是第一个 ITEM 元素。我需要它是所有 ITEM 元素。有任何想法吗？ lxml.html 做我想做的事，但默认情况下它会去除 BODY 标签，而且我还没有找到禁用此行为的方法。
请您参考如下方法:
没有共同的父元素？就做一个吧! 您可以重写它们以具有父元素，比如 ROOT。插入 <ROOT>在第一个之前 <ITEM>和 </ROOT>在文档的末尾。以编程方式进行操作非常简单，即使您必须保留实际的磁盘内容。
例如。
<!DOCTYPE sometype>
<ROOT>
<ITEM>
<DATE>19-OCT-1987</DATE>
<TEXT>
<TITLE>I AM THE TITLE</TITLE>
<AUTHOR>I AM THE AUTHOR</AUTHOR>
<DATELINE>WHEN I WAS CREATED</DATELINE><BODY>
I WANT TO PRESERVE THIS TAG!
</BODY></TEXT>
</ITEM>
<ITEM>
<DATE>19-OCT-1879</DATE>
<TEXT>
<TITLE>I AM THE TITLE</TITLE>
<AUTHOR>I AM THE AUTHOR</AUTHOR>
<DATELINE>WHEN I WAS CREATED</DATELINE><BODY>
I WANT TO PRESERVE THIS TAG!
</BODY></TEXT>
</ITEM>
<ITEM>
<DATE>19-OCT-9871</DATE>
<TEXT>
<TITLE>I AM THE TITLE</TITLE>
<AUTHOR>I AM THE AUTHOR</AUTHOR>
<DATELINE>WHEN I WAS CREATED</DATELINE><BODY>
I WANT TO PRESERVE THIS TAG!
</BODY></TEXT>
</ITEM>
</ROOT>
我刚刚试过了，它似乎可以满足您的要求。另存为/tmp/goodfoo 并加载 lxml.etree.fromstring(allcontent) ;然后我像这样访问了你说“想要保留”的文本:b.getchildren()[0].getchildren()[-1].getchildren()[-1].text
(即获取第一个ITEM，获取其TEXT元素，获取TEXT元素的BODY元素，返回BODY元素的任意文本内容。)
