为何使用Python lxml解析XHTML文件时会自动插入<p>标签？

问题场景 #

刚接触HTML/XML技术，用Python的lxml库解析XHTML文件，目标是将解析结果导入DITA（XML）文件，但输出中出现了原本不存在的多个

标签，原文本被拆分成多个

包裹的片段。

相关代码及输出 #

代码片段 #

from lxml import etree as et

parser = et.XMLPullParser(target=target)

print(et.tostring(element, encoding="utf-8"))
>>>     <dd> T &gt; 85C : 10ms 85 =&gt; T &gt 30C : 100ms T &lt; 30 : 1s</dd>

parser.feed(et.tostring(element, encoding="utf-8"))

parser.close()

预期输出 #

print(et.tostring(target.body, encoding="utf-8")))
>>>    <body>T &gt; 85C : 10ms 85 =&gt; T &gt 30C : 100ms T &lt; 30 : 1s</body>

实际输出 #

print(et.tostring(target.body, encoding="utf-8")))
>>>    <body><p> T </p><p>&gt;</p><p> 85C : 10ms 85 =</p><p>&gt;</p><p> T </p><p>&gt</p><p> 30C : 100ms T </p><p>&lt;</p><p> 30 : 1s </p></body>

原因分析 #

核心问题出在解析目标target的类型：你使用的target是HTML相关的解析目标（比如HTMLTreeBuilderTarget），而非纯XML解析目标。

HTML解析器为兼容松散的HTML语法，会自动对零散文本节点做语义化补全——当文本被>这类实体字符拆分时，会把每个文本片段单独包裹成<p>标签，这是HTML解析器的默认行为，而你用XMLPullParser搭配HTML target，就触发了这个逻辑。纯XML解析器不会自动添加这类标签，因为XML要求严格结构，不会随意补全语义化元素。

解决办法 #

1. 改用纯XML解析目标：如果处理的是严格格式的XHTML/XML，初始化XMLPullParser时不要指定HTML相关的target，或明确使用XML解析的target。
2. 直接提取文本内容：不需要通过parser.feed()重新解析字符串，直接从原<dd>元素提取纯文本，再插入到DITA的<body>中：

   # 提取<dd>的纯文本
   dd_text = element.text
   # 或用et.tostring提取文本内容
   dd_text = et.tostring(element, method="text", encoding="utf-8").decode("utf-8")
   # 创建DITA的body元素并插入文本
   body = et.Element("body")
   body.text = dd_text
   print(et.tostring(body, encoding="utf-8"))
   

内容的提问来源于stack exchange，提问作者ahzired