In [1]: from lxml import etree
我有一个HTML文档：
In [2]: root = etree.fromstring(u'''<!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML//EN">\n<HTML></HTML>''', etree.HTMLParser())
正确解析了其doctype：
In [3]: root.getroottree().docinfo.doctype
Out[3]: u'<!DOCTYPE html PUBLIC "-//IETF//DTD HTML//EN">'
但是当序列化它时,我会丢失它：
In [4]: etree.tostring(root.getroottree(), method='html')
Out[4]: '<html></html>'
我应该怎么做才能将该文档类型序列化？
Debian GNU / Linux,Sid. Python 2.6.6. lxml 2.2.8-2.
解决方法:
到目前为止,使它正常工作的唯一方法是使用默认的XML解析器,并向文档添加非空系统URL：
>>> html = etree.parse(StringIO('''<!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML//EN" " ">\n<HTML></HTML>'''))
>>> etree.tostring(html, method="xml")
'<!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML//EN" " ">\n<HTML/>'
>>> etree.tostring(html, method="html")
'<!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML//EN" " ">\n<HTML></HTML>'
使用HTMLParser进行的相同操作会产生相同的docinfo,但不会获得所需的输出：
>>> html = etree.parse(StringIO('''<!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML//EN" " ">\n<HTML></HTML>'''), etree.HTMLParser())
>>> etree.tostring(html, method="html")
'<html></html>'