Python lxml删除<；中的空格和换行符；头>；_Python_Python 3.x_Html Parsing_Lxml

Python lxml删除<；中的空格和换行符；头>；

python python-3.x

Python lxml删除<；中的空格和换行符；头>；,python,python-3.x,html-parsing,lxml,Python,Python 3.x,Html Parsing,Lxml,这个小程序： from lxml.html import tostring, fromstring e = fromstring(''' <html><head> <link href="/comments.css" rel="stylesheet" type="text/css"> <link href="/index.css" rel=&q

这个小程序：

from lxml.html import tostring, fromstring
e = fromstring('''
<html><head>
        <link href="/comments.css" rel="stylesheet" type="text/css">
        <link href="/index.css" rel="stylesheet" type="text/css">
    </head>
    <body>
        <span></span>
        <span></span>
    </body>
</html>''')

print (tostring(e, encoding=str)) #unicode on python 2

从lxml.html导入到字符串，从字符串
e=fromstring（“”）
''')
在python 2上打印（tostring（e，encoding=str））#unicode
将打印：
<html><head><link href="/comments.css" rel="stylesheet" type="text/css"><link
href="/index.css" rel="stylesheet" type="text/css"></head><body>
        <span></span>
        <span></span>
    </body></html>


删除头部中的空格和换行符。
即使我们将这两个元素放在一起，也会发生这种情况。
似乎删除了head元素之间的空白文本节点（\s*）
如何在s之间保留空格和换行符？（我希望输出与输入完全相同）
对我来说
print（tostring（e，encoding=str））

返回
>>> print (tostring(e, encoding=str))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/lib/python2.7/dist-packages/lxml/html/__init__.py", line 1493, in tostring
    encoding=encoding)
  File "lxml.etree.pyx", line 2836, in lxml.etree.tostring (src/lxml/lxml.etree.c:53416)
TypeError: descriptor 'upper' of 'str' object needs an argument

您需要从lxml导入etree，导入etree

当输出到输出文件时，空格和换行符将保持不变。也可使用打印

>>> print(etree.tostring(e, pretty_print=True))
<html>
  <head>
    <link href="/comments.css" rel="stylesheet" type="text/css"/>
    <link href="/index.css" rel="stylesheet" type="text/css"/>
  </head>
  <body>
        <span/>
        <span/>
    </body>
</html>

最后，我使用html5lib解析html并用它生成类似lxml的树
parser=html5lib.HTMLParser（tree=html5lib.getTreeBuilder（“lxml”），namespacehtmlements=False）
我使用Python3，Python2使用unicode

。我猜这个例外是因为旧版本的lxml。似乎您是从package manager安装lxml，而不是使用easy_install.pretty_print Reaginate元素！我想保留空间，但不是美化。事实上，我希望从用户那里获取输入，而不是用from_string然后再改为_string。啊，python3可能会解释语法上的一些小分歧。我仍然推荐

pretty\u print=True

，从我的输出来看，它会按照您的问题执行，保留空格和换行符。也许可以使用

pretty\u print=True

及其输出更新您的问题，并将其与所需输出进行对比。因为，我不太清楚你现在问什么。注意，请使用

etree.tostring

查看问题的编辑版本。我希望输出与输入完全相同。pretty_print=True在和之间添加一个\n。这实际上不会保留格式，它只会重新创建一些类似于此示例的内容…lxml用于解析和创建XML和HTML。输出的内容保证具有正确的语法，并可使用其他工具进行解析，等等。不能保证它将保留格式，因为这不是lxml的目标。如果您想在保留HTML格式的同时修改HTML（为什么要这样做？），那么lxml是错误的工具。尽管您可能会使用不同的解析器或标记器。但这不值得付出努力。解释为什么需要保留空白。通常不会。输入由用户提供，我使用lxml检查和清理语法。如果输入没有错误，我想给用户相同的输入。因此，如果输入没有错误，请返回原始？：-）您可能需要研究htmltidy或其他已经做到这一点的工具。我相信BeautifulSoup会保留空白，但Python 3的支持还不是很好。BeautifulSoup（3.1.0.1，与Python 3兼容的最新版本）不保留空白！更新：现已修复（使用lxml 3.4.2）

>>> print(etree.tostring(e, pretty_print=True))
<html>
  <head>
    <link href="/comments.css" rel="stylesheet" type="text/css"/>
    <link href="/index.css" rel="stylesheet" type="text/css"/>
  </head>
  <body>
        <span/>
        <span/>
    </body>
</html>

    >>> import re
    >>> newString = re.sub('\n  ', '', etree.tostring(e,encoding=unicode,pretty_print=True), count=1)
    >>> print(newString)
      <html><head>
            <link href="/comments.css" rel="stylesheet" type="text/css"/>
            <link href="/index.css" rel="stylesheet" type="text/css"/>
         </head>
         <body>
           <span/>
           <span/>
        </body>
   </html>