防止 lxml 触摸 <script> 标签中的数据答案

【问题标题】：Prevent lxml from touching data in <script> tags防止 lxml 触摸 <script> 标签中的数据
【发布时间】：2011-09-16 14:05:36
【问题描述】：

我正在尝试编写一个 python 脚本来修改我正在解析的文件中

<script>
<!--
...
-->
</script>

问题是当我尝试类似scriptNode.text = '<!-- ... lxml 之类的东西时，当我将 html 写回文件时，它会将尖括号修改为它们的 html 表示形式（& lt; 和 & gt;）。我尝试在字符串 ('\

查看大多数现代网站，似乎不需要那些评论标签。我可以删除它们，但许多脚本也在其中使用了一些 html，如果这些脚本也被修改为它们的 HTML 表示，那就是个问题。

我很惊讶 lxml 正在修改这些数据，最后我听说 HTML 解析器旨在避免修改/解释

我可以使用设置/命令来防止这种情况发生吗？

谢谢

【问题讨论】：

您不应该将 HTML 注释放在脚本标签内，这可能是您问题的根源。
@mikerobi：这不是主要问题，我还提到这会影响脚本中的其他变量，例如var somearg = '&lt;h3&gt;test&lt;/h3&gt;' 变为var somearg = '&lt;h3&gt;test&lt;/h3&gt;'

【解决方案1】：

将它们放入CDATA section。

【讨论】：

【解决方案2】：

我刚刚发现的另一种似乎也有效的解决方案是使用 tostring() 而不是 write()：

main = open('file.html', 'w')
main.write(lxml.html.tostring(htmlTree))
main.close()

而不是

htmlTree.write('file.html', pretty_print=False)

我想我也会在这里发布它，尽管我决定使用 CDATA，因为它似乎是一个更简洁的解决方案，可以防止将来与其他解析脚本出现问题。

【讨论】：