如何用lxml html tostring保留XML命名空间标签结构？

问题描述 #

使用以下Python代码处理带命名空间的XML结构时：

from lxml import html 
root = html.fromstring('<ac:link> <ri:attachment filename="test.pdf"/> </ac:link>')
html.tostring(root,encoding='unicode',method='xml')

实际输出为：

'<link> <attachment ri:filename="test.pdf"/> </link>'

但期望保留原始标签结构，输出为：

'<ac:link> <ri:attachment ri:filename="test.pdf"/> </ac:link>'

且无法修改原始HTML/XML结构，需要实现预期输出并了解相关源码逻辑。

解决方案 #

问题出在lxml.html模块是为HTML解析设计的，不支持XML命名空间的保留，HTML解析器会自动剥离标签名中的命名空间前缀。改用lxml的xml模块即可保留原始命名空间前缀：

from lxml import xml
root = xml.fromstring('<ac:link> <ri:attachment filename="test.pdf"/> </ac:link>')
xml.tostring(root, encoding='unicode', method='xml')

执行后会得到预期输出：

'<ac:link> <ri:attachment filename="test.pdf"/> </ac:link>'

如果一定要使用html模块（比如处理混合HTML/XML内容），可以自定义HTMLParser并禁用命名空间剥离，但这种方式复杂且不推荐，优先使用xml模块处理纯XML结构。

源码相关说明 #

1. lxml.html的解析逻辑：
   在lxml/html/parser.py中的HTMLParser类，其设计遵循HTML规范——HTML本身没有命名空间概念，所以解析器会将标签名中的冒号视为普通字符的一部分，但在序列化（tostring）时，会自动剥离前缀。核心原因是html.fromstring调用的HTMLParser不会维护命名空间映射，导致标签的前缀信息在解析阶段就丢失。

2. lxml.xml的解析逻辑：
   在lxml/xml/__init__.py中的fromstring函数使用的是XMLParser，该解析器完全支持XML命名空间，会完整保留标签的前缀和命名空间映射，序列化时也会原样输出带前缀的标签。

内容的提问来源于stack exchange，提问作者TheDuck