Python XPath解析包含单引号的标签

Question

我刚接触XPath。 我正在尝试使用XPath解析页面。 我需要从<title>标签中获取信息，但是标题中的撇号会使一切都出错。

我使用Grab进行解析。

源代码中的标签：

<img src='somelink' border='0' alt='commission:Alfred\'s misadventures' title='commission:Alfred\'s misadventures'>

实际 XPath：

g.xpath('.//tr/td/a[3]/img').get('title')

返回

commission:Alfred\\

有没有什么方法可以解决这个问题？

谢谢。

- Stanislav Golovanov

---

说实话，你应该庆幸你的.xpath返回了任何东西。这个HTML代码非常无效，以至于LXML的html模块不能处理它。 - Fred Foo

我刚刚用lxml和BeautifulSoup做了一些实验，但它们都没有正确解析它。显然，属性值的外部引号应该是双引号。HTML的来源是什么？ - ekhumoro

Answer 1

垃圾进，垃圾出。您的输入格式不正确，因为它没有正确转义单引号字符。许多编程语言（包括 Python）使用反斜杠字符来转义字符串字面量中的引号，但是 XML 不支持此种方式。您需要做以下两种操作之一：

1) 使用双引号将属性值括起来; 2) 使用' 来包含单引号。

从XML 规范中得知:

为了允许属性值既包含单引号又包含双引号，撇号或单引号字符（'）可以表示为“'”，双引号字符（“）可以表示为“"”。

- Wayne

---

谢谢提供信息，但那不是我的输入。我正在尝试解析一个带有该标签的页面，所以唯一的解决方法是替换整个源代码中的标签。幸运的是，我已经用正则表达式解决了这个问题（虽然不完全）。 - Stanislav Golovanov

XML违反了Postel法则，但在实践中有时需要在将其发送到适当的XML解析器之前对输入进行处理。一些纯粹主义者会责备你，但我不会对此感到太难过。 - Wayne

XML已经允许两种方法将撇号放入属性值中：(1)用引号而不是撇号括起值 (2)使用'。让我们使其符合Postel标准，并添加两种额外的方法。(1)反斜杠转义 (2)像SQL中一样加倍撇号。你的任务：更新语法，增强解析器。另一种选择：庆幸XML避免了HTML混乱的局面，消费者不得不竭尽全力接受糟糕的HTML。 - John Machin

消费者总是会尽力接受错误的输入，因为否则就是在因一些他们毫不关心的技术争论而惩罚用户。 - Wayne

Answer 2

由于提供的“XML”文档存在嵌套的撇号，因此无法对其进行XPath表达式评估.

可以通过以下方法将提供的非规范化文本更正：

<img src="somelink"
 border="0"
 alt="commission:Alfred's misadventures"
 title="commission:Alfred's misadventures"/>

如果有一个奇怪的要求不使用引号，那么一种正确的转换方法是：

<img src='somelink'
 border='0'
 alt='commission:Alfred&apos;s misadventures'
 title='commission:Alfred&apos;s misadventures'/>

如果您提供了不正确的输入，在像C#这样的语言中，可以尝试使用以下方法将其转换为正确的对应项：:

string correctXml = input.replace("\\'s", "'s")

也许在Python中有类似的方法来做同样的事情。

- Dimitre Novatchev