使用 lxml 解析 xml 时在标记中保留命名空间前缀答案

【问题标题】：Retain namespace prefix in a tag when parsing xml using lxml使用 lxml 解析 xml 时在标记中保留命名空间前缀
【发布时间】：2020-11-24 19:27:08
【问题描述】：

我有一个如下的 xml。很少有以ce 为前缀的标签，例如<ce:title>。当我使用 xpath 运行如下代码时，在输出中，<ce:title> 被替换为<title>。我确实在 SO 上看到了其他链接，例如 How to preserve namespace information when parsing HTML with lxml?，但不确定在何处以及如何添加命名空间详细信息。

有人可以建议吗？如何为以下 xml 保留 <ce:title>？

from lxml import html
from lxml.etree import tostring
with open('102277033304.xml', encoding='utf-8') as file_object:
    xml = file_object.read().strip()
    root = html.fromstring(xml)
    for element in root.xpath('//item/book/pages/*'):
        html = tostring(element, encoding='utf-8')
        print(html)

XML：

<item>
    <book>
        <pages>
            <page-info>
                <page>
                  <ce:title>Chapter 1</ce:title>
                  <content>Welcome to Chapter 1</content>
                </page>
                <page>
                 <ce:title>Chapter 2</ce:title>
                 <content>Welcome to Chapter 2</content>
                </page>
            </page-info>
            <page-fulltext>Published in page 1</page-fulltext>
            <page-info>
                <page>
                  <ce:title>Chapter 1</ce:title>
                  <content>Welcome to Chapter 1</content>
                </page>
                <page>
                 <ce:title>Chapter 2</ce:title>
                 <content>Welcome to Chapter 2</content>
                </page>
            </page-info>
            <page-fulltext>Published in page 2</page-fulltext>
            <page-info>
                <page>
                  <ce:title>Chapter 1</ce:title>
                  <content>Welcome to Chapter 1</content>
                </page>
                <page>
                 <ce:title>Chapter 2</ce:title>
                 <content>Welcome to Chapter 2</content>
                </page>
            </page-info>
            <page-fulltext>Published in page 3</page-fulltext>
        </pages>
    </book>
</item>

【问题讨论】：

问题中的“XML”并不是真正的 XML，因为没有 ce 前缀的命名空间声明（例如 xmlns:ce="http://example.com"）。

标签： python-3.x lxml

【解决方案1】：

这可能是因为您使用 html 解析器来读取 xml。

试试这样：

from lxml import etree
root = etree.XML(xml)
for element in root.xpath('//item/book/pages/*'):
        xml = etree.tostring(element, encoding='utf-8')
        print(xml)

这应该会给你预期的输出。

【讨论】：

这行不通。未声明 ce 前缀，因此问题中的文档不是格式正确的 XML。
@mzjn 是的，我只是假设 OP 的实际 xml 中有一个声明。也许我应该说清楚....
是的，我在 xml 中添加了标签 <item xmlns:ce="_">，然后我没有使用 html，而是使用了 etree.fromstring()，这解决了这个问题。