用lxml python解析xhtml答案

【问题标题】：Parsing xhtml with lxml python用lxml python解析xhtml
【发布时间】：2012-08-08 16:14:45
【问题描述】：

小问题，真的卡在这里了，不明白怎么回事，就是想从网上解析一个普通的xhtml，没什么特别的……

这是错误：

 File "class/page.py", line 85, in xslParse
    doc = lxml.etree.fromstring(self.content)
    File "lxml.etree.pyx", line 2753, in lxml.etree.fromstring (src/lxml/lxml.etree.c:54647)
    File "parser.pxi", line 1578, in lxml.etree._parseMemoryDocument (src/lxml/lxml.etree.c:82764)
    File "parser.pxi", line 1457, in lxml.etree._parseDoc (src/lxml/lxml.etree.c:81562)
    File "parser.pxi", line 965, in lxml.etree._BaseParser._parseDoc (src/lxml/lxml.etree.c:78232)
    File "parser.pxi", line 569, in lxml.etree._ParserContext._handleParseResultDoc (src/lxml/lxml.etree.c:74488)
    File "parser.pxi", line 650, in lxml.etree._handleParseResult (src/lxml/lxml.etree.c:75379)
    File "parser.pxi", line 590, in lxml.etree._raiseParseError (src/lxml/lxml.etree.c:74712)
    XMLSyntaxError: StartTag: invalid element name, line 1, column 2

self.content是一个http响应给出的普通字符串，没有clean，没有replace，什么都没有，只是服务器的响应，那么fu..是什么？

html的开头是：

<!doctype html>
<!-- paulirish.com/2008/conditional-stylesheets-vs-css-hacks-answer-neither/ -->
<!--[if lt IE 7 ]> <html lang="fr" class="no-js ie6" itemscope itemtype="http://schema.org/Product"> <![endif]-->
<!--[if IE 7 ]>    <html lang="fr" class="no-js ie7" itemscope itemtype="http://schema.org/Product"> <![endif]-->
<!--[if IE 8 ]>    <html lang="fr" class="no-js ie8" itemscope itemtype="http://schema.org/Product"> <![endif]-->
<!--[if IE 9 ]>    <html lang="fr" class="no-js ie9" itemscope itemtype="http://schema.org/Product"> <![endif]-->
<!--[if (gt IE 9)|!(IE)]><!--> <html lang="en" class="no-js" itemscope itemtype="http://schema.org/Product"> <!--<![endif]-->
<head>......

一个普通的网页，为什么lxml不能解析一个普通的格式良好的doc？

【问题讨论】：

你试过用lxml.html.fromstring代替lxml.etree.fromstring吗？
马上去看看！谢谢兄弟

标签： python lxml parsexml

【解决方案1】：

<!doctype html> 表示它是使用 HTML 语法的 HTML5 文档。因此，您应该使用 HTML（而不是 XML）解析器。为了比较，XML 文档可能以 <?xml version="1.0" encoding="UTF-8"?> 开头。

您可以将lxml.html.fromstring() 用作@unutbu suggested in the comments。

如果您通过 HTTP 接收页面，则使用 XML 语法的 HTML5 文档应具有 XML 媒体类型，例如 application/xhtml+xml 或 application/xml，而不是例如用于 HTML 语法的 text/html。

【讨论】：

复制那个！现在事情很清楚了，以为 html doc 也是 xml doc ......那么发送 mime 类型 lik text/html 和 xml 有什么区别，浏览器，lxml 渲染两种类型相同吗？
HTML 和 XML 是不同的语言；不同的解析器用于解析它们返回具有相似但不同接口的不同对象。