为什么 lxml.html 有时会吞下/删除空格而不是保留它？

Question

鉴于以下代码，人们可能会合理地期望输入 lxml 的 HTML 字符串几乎完全相同。

from lxml import html

HTML_TEST_STRING = r"""
<pre>
<em>abc</em>

<em>def</em>

<sub>ghi</sub>

<sub>jkl</sub>

<em>mno</em>

<em>pqr</em>

</pre>
"""

parser = html.HTMLParser( remove_blank_text=False )
doc = html.fromstring( HTML_TEST_STRING, parser=parser )
print( html_out_string )

相反，即使所有内容都包含在 <pre> 预格式化的代码块中，并且 remove_blank_text 标志设置为 False，它只尊重 某些 的内容，但神秘地不 用于内容的其他部分。请参阅下面的上述代码的意外输出：

<pre>
<em>abc</em>

<em>def</em>

<sub>ghi</sub><sub>jkl</sub><em>mno</em>

<em>pqr</em>

</pre>

具体来说，每当 lxml 遇到 <sub> 标记时，它就会变得笨拙并丢失 sub 元素后面的“尾部”文本内容（即使那个“sub element”可以说甚至不是一个元素——因为它被包裹在一个pre元素中）。

Answer 1

这种奇怪行为的最可能催化剂是，像我一样，你在 Windows 上并且使用 lxml 不为其发布二进制包的 Python 版本。

在这种情况下，one portion of the lxml website 将您指向official unofficial Windows binaries for libxml2，以便您[可能通过 pip 安装脚本] 可以构建一个支持 您的 Python 版本的新 lxml 二进制文件。然而，问题在于它链接到您的二进制文件至少有 4 年的历史并且包含您遇到的错误。

解决此问题的最简单方法是下载并安装实际为您的 OS/Python 变体构建的 lxml 的 Christoph Gohlke's unofficial binary archive（所谓的“轮子”）。 （lxml 网站的另一部分也建议这样做，但如果您像我一样，忽略了该路径，希望尽可能少地运行非官方二进制代码。）

（例如pip3 install --upgrade lxml-3.5.0-cp35-none-win32.whl）

Golke 的软件包是使用更新版本的 libxml2 构建的，该版本显然已经修复了该错误，因此如果上述一切正常，您现在就可以停止浪费生命中的时间来寻找错误的“树”。 您没有使用 lxml 错误，也不是 lxml 不支持在这种情况下保留空格 （正如许多其他 SO 条目可能有你认为的那样）; 只是您无意中使用了一个已修复错误的 libxml2 版本。

随着最近构建的 libxml2 驱动您的 lxml 安装，您发布的示例代码的输出将产生您所期望的（始终保留的空白）：

<pre>
<em>abc</em>

<em>def</em>

<sub>ghi</sub>

<sub>jkl</sub>

<em>mno</em>

<em>pqr</em>

</pre>