Python + lxml : how to find the namespace of a tag_编程设计

我正在用 python + lxml 处理一些 HTML 文件。其中一些已经用 MS Word 编辑过，我们有 <p>标记为 <o:p>&nbsp</o:p>例如。 IE 和 Firefox 不会将这些 MS 标签解释为真实的 <p>标签，<o:p>前后不显示换行符标签，这就是原始编辑器格式化文件的方式，例如nbsp 周围没有空格。

另一方面，lxml 是整洁的，在处理 HTML 文件后，我们看到所有 <o:p>标签已更改为正确的 <p>标签。不幸的是，在整理之后，两个浏览器现在都会在所有 nbsp 周围显示换行符，这会破坏原始格式。

所以，我的想法是浏览所有这些 <o:p>标签并删除它们或将它们的 .text 属性添加到父 .text 属性，即删除 <o:p>标签标记。

from lxml import etree 
import lxml.html 
from StringIO import StringIO 
 
s='<p>somepara</p> <o:p>msoffice_para</o:p>' 
 
parser = lxml.html.HTMLParser() 
html=lxml.html.parse( StringIO( s), parser) 
 
for t in html.xpath( "//p"): 
     print "tag: " + t.tag + ",  text: '" + t.text + "'"

结果是:

tag: p,  text: 'somepara' 
tag: p,  text: 'msoffice_para'

因此，lxlm 从标签标记中删除命名空间名称。有没有办法知道哪个<p>标签来自哪个命名空间，所以我只删除带有 <o:p> 的标签？

谢谢。

请您参考如下方法:

来自 HTML 规范:“The HTML syntax does not support namespace declarations”。所以我认为 lxml.html.HTMLParser 删除/忽略了命名空间。

但是，BeautifulSoup 以不同的方式解析 HTML，因此我认为它可能值得一试。如果您还安装了 BeautifulSoup，则可以像这样将 BeautifulSoup 解析器与 lxml 一起使用:

import lxml.html.soupparser as soupparser 
import lxml.html 
import io 
s='<p>somepara</p> <o:p>msoffice_para</o:p>' 
html=soupparser.parse(io.BytesIO(s))

BeautifulSoup 不会删除命名空间，但它也不会识别命名空间本身。相反，它只是标签名称的一部分。

也就是说，

html.xpath('//o:p',namespaces={'o':'foo'})

不起作用。但是这个解决方法/黑客

for t in html.xpath('//*[name()="o:p"]'):     
    print "tag: " + t.tag + ",  text: '" + t.text + "'"

产量

tag: o:p,  text: 'msoffice_para'