Python+；lxml：如何找到标记的名称空间？

我正在用python+lxml处理一些HTML文件。其中一些是用MS Word编辑的，我们有

标记，例如写为

。IE和Firefox不会将这些MS标记解释为真实的

标记，也不会在

标记前后显示换行符，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文件之后，我们看到所有的

标记都已更改为适当的

标记。不幸的是，在整理之后，两个浏览器现在都在所有nbsp的周围显示换行符，这破坏了原始格式

因此，我的想法是浏览所有这些

标记，要么删除它们，要么将它们的.text属性添加到parent.text属性，即删除

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 + "'"

因此，lxlm从标记标记中删除名称空间名称。有没有办法知道哪个

标记来自哪个名称空间，所以我只删除带有

的标记

谢谢。

来自HTML规范：“”。 因此我认为

lxml.html.HTMLParser

会删除/忽略名称空间

然而，BeautifulSoup解析HTML的方式不同，所以我认为这可能值得一试。如果还安装了BeautifulSoup，则可以将BeautifulSoup解析器与lxml一起使用，如下所示：

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)) 

不起作用。但是这个变通方法/黑客

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

屈服

tag: o:p,  text: 'msoffice_para'

---

如果html实际上格式良好，则可以使用

etree.XMLParser

。否则，请尝试unutbu的答案

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

tag: o:p,  text: 'msoffice_para'