用 Python 和 lxml 和 etree 读写 HTML/XML（字节字符串）的正确方法是什么？

Question

编辑：现在问题已经解决，我意识到它更多地与正确读取/写入字节字符串有关，而不是 HTML。希望这会让其他人更容易找到这个答案。

我有一个格式不正确的 HTML 文件。我想使用 Python 库来使其整洁。

看起来应该像下面这样简单：

import sys
from lxml import etree, html

#read the unformatted HTML
with open('C:/Users/mhurley/Portable_Python/notebooks/View_Custom_Report.html', 'r', encoding='utf-8') as file:
    #write the pretty XML to a file
    file_text = ''.join(file.readlines())

#format the HTML
document_root = html.fromstring(file_text)
document = etree.tostring(document_root, pretty_print=True)

#write the nice, pretty, formatted HTML
with open('C:/Users/mhurley/Portable_Python/notebooks/Pretty.html', 'w') as file:
    #write the pretty XML to a file
    file.write(document)

但是这段代码抱怨file_lines 不是字符串或类似字节的对象。好吧，我想函数不能接受列表是有道理的。

但是，它是“字节”而不是字符串。没问题，str(document)

但是我得到的 HTML 中充满了 '\n' 而不是换行符......它们是一个斜线，后跟一个 en。结果中并没有实际的回车，它只是一长行。

我尝试了许多其他奇怪的事情，例如指定编码、尝试解码等。但都没有产生预期的结果。

读写这种（非ASCII是正确的术语吗？）文本的正确方法是什么？

Answer 1

这可以在几行代码中使用 lxml 完成，而无需使用 open，.write 方法是正是你想要做的事情：

# parse using file name which is the also the recommended way.
tree = html.parse("C:/Users/mhurley/Portable_Python/notebooks/View_Custom_Report.html")
# call write on the tree
tree.write("C:/Users/mhurley/Portable_Python/notebooks/Pretty.html", pretty_print=True, encoding="utf=8")

还有file_text = ''.join(file.readlines())和file_text = file.read()完全一样

Answer 2

您错过了从 etree 的 tostring 方法获取字节，并且在将（字节字符串）写入文件时需要考虑到这一点。像这样在open 函数中使用b 开关，忘记str() 转换：

with open('Pretty.html', 'wb') as file:
    #write the pretty XML to a file
    file.write(document)

---

附录

尽管这个答案解决了眼前的问题并教授了字节串，但Padraic Cunningham 的solution 是将 lxml etree 写入文件的更清洁、更快捷的方法。