Python lxml更改标签层次结构？

Question

我遇到了lxml的一个小问题。我正在将XML文档转换为HTML文档。 原始XML看起来是这样的（它看起来像HTML，但它在XML文档）：

<p>Localization - Eiffel tower? Paris or Vegas <p>Bayes theorem p(A|B)</p></p> 

当我做这个（产品上面的字符串）

lxml.html.tostring(lxml.html.fromstring(item)) 

我得到这样的：

<div><p>Localization - Eiffel tower? Paris or Vegas </p><p>Bayes theorem p(A|B)</p></div> 

我没有与<DIV>小号任何问题，但事实是，“贝叶斯定理”的段落不再嵌套外款所列这是一个问题。

任何人都知道为什么lxml正在这样做以及如何阻止它？谢谢。

Answer 1

LXML是这样做的，因为它没有存储无效的HTML和<p>元素can't be nested在HTML：

P元素表示一个段落。它不能包含块级元素（包括P本身）。

Answer 2

您正在使用lxml的HTML解析器，而不是XML解析器。试试这个：

>>> from lxml import etree 
>>> item = '<p>Eiffel tower? Paris or Vegas <p>Bayes theorem p(A|B)</p></p>' 
>>> root = etree.fromstring(item) 
>>> etree.tostring(root, pretty_print=True) 
'<p>Eiffel tower? Paris or Vegas <p>Bayes theorem p(A|B)</p></p>\n'