lxml.html 以不同的方式处理两个相似的输入？答案

【问题标题】：lxml.html treats two similar inputs differently?lxml.html 以不同的方式处理两个相似的输入？
【发布时间】：2019-01-15 12:51:21
【问题描述】：

我在使用 lxml.html 时看到一些意外的输出。

import lxml.html as LH

xmlspec = "<?xml version='1.0' encoding='iso-8859-1'?>"

a = LH.fromstring(xmlspec + "<html><body><p>Body</p></body></html>")
b = LH.fromstring(xmlspec + "<html><meta /><body><p>Body</p></body></html>")

print a # says element p while I would have expected html
print b # says element html which is expected

有人可以解释为什么会这样吗？删除 xml 规范后一切正常！有没有正确的方法来处理这个问题？

【问题讨论】：

我想你发现了你的错误。最初你在<html>之外有<meta />
@JavierBuzzi，很好的观察。我纠正了这一点。我仍然遇到同样的错误。
哼。是的，你是对的，仍在谷歌搜索，但如果你将导入从 html / 交换到 etree 并且不更改任何其他内容：它可以工作。但我就像一条有骨头的狗，我喜欢你，想了解为什么。

标签： python html lxml

【解决方案1】：

通过 20 多分钟的研究，我得出了这样的结论：

<?xml version='1.0' encoding='iso-8859-1'?><html><body><p>Body</p></body></html>

不是有效的 HTML，而是有效的 XML。

从技术上讲，

<?xml version='1.0' encoding='iso-8859-1'?><html><meta /><body><p>Body</p></body</html>

也不是有效的 HTML，但 lxml 可以原谅它。更可接受的兼容版本是在<html> 之后添加<head><meta /></head>，这更好但仍然不是很好（要成为有效的HTML，它需要在<head> 内有一个<title>，当然，一个不同的文档类型）。

参考资料：

https://validator.w3.org

https://www.xmlvalidation.com/

【讨论】：

谢谢，伙计。我会看看如何处理这个！