使用 lxml 的 tostring() 从 xml/html 中删除根标签答案

【问题标题】：Remove a root tag from xml/html using tostring() of lxml使用 lxml 的 tostring() 从 xml/html 中删除根标签
【发布时间】：2020-02-15 17:07:33
【问题描述】：

如何制作没有根标签的html文本（通常是<html></html>）？例如，用于 CDATA：

<![CDATA[<div class="foo"></div><p>bar</p>]]>

我的代码：

from lxml import etree

html = etree.Element('root')
etree.SubElement(html, 'div', attrib={'class':'foo'})
etree.SubElement(html, 'p').text='bar'

t = etree.tostring(html)
# '<root><div class="foo"/><p>bar</p></root>'

我不想使用正则表达式来删除根标签。

【问题讨论】：

不过只是打印的问题吗？据我所知，etree.Element 需要有根标签，不能删除。
为什么要删除根元素？如果要创建 CDATA 部分，请使用 etree.CDATA。
它可以<![CDATA[<root><div class="foo"></div><p>bar</p></root>]]>，但是一些网络服务不接受额外的标签。
其他常见的情况，当需要从一些三方html页面中获取只有带有文本格式标签（<b>等）的文本时，没有页面的结构标签，只会垃圾。要保存这样的格式化标签需要使用tostring()，然后是提到的正则表达式。这使得解析 html/xml、正则表达式、文本/xml 向前和向后转换的代码令人困惑......

标签： python lxml cdata

【解决方案1】：

如果您需要没有根元素的所有子元素的文本表示，您可以这样做：

subels = ''.join([etree.tostring(el).decode('ascii') for el in html])

html 是您问题的Element。在这种情况下，subels 是一个字符串：

'<div class="foo"/><p>bar</p>'

这可以进一步改进以使用iter 方法仅获取特定标签。例如：

subels = ''.join([etree.tostring(el).decode('ascii') for el in html.iter('div', 'p'])

将仅返回 'div' 和 'p' 标签，因此如果有其他标签，它们将被省略。
您可以使用它来过滤掉不需要的标签，但要小心，因为它可能会破坏文档层次结构：它仍然会返回不需要标签的子标签。

在 cmets 之后编辑

如果根标签有你想要保留的文本属性，只需将其添加回来。

subels = ''.join([html.text] + [etree.tostring(el).decode('ascii') for el in html])

【讨论】：

谢谢。虽然它也删除了根的文本，它与兄弟标签处于同一级别。例如。 ''.join([etree.tostring(el).decode('ascii') for el in etree.fromstring('<root>Some <b>bold</b> text</root>')) → <b>bold</b> text.
使用.decode('ascii') 在我的情况下产生了奇怪的输出。 etree.tostring(el, encoding='unicode', pretty_print=True) 运作良好。