如何从lxml的HtmlElement获取未解析转义的原始文本？

方法一：解析后重新转义文本 #

lxml默认会自动解析HTML实体，直接获取text得到的是解析后的字符。可以用Python标准库的html.escape()将解析后的字符转义回原始实体格式：

import html
from lxml import html as lxml_html

thing = lxml_html.fromstring("<code>&amp;lt;div&amp;gt;</code>")
original_text = html.escape(thing.text)
print(original_text)  # 输出：&amp;lt;div&amp;gt;

方法二：解析时禁用实体解析 #

创建HTML解析器时设置resolve_entities=False，让lxml保留原始的实体字符串，无需后续转义操作：

from lxml import html
from lxml.etree import HTMLParser

parser = HTMLParser(resolve_entities=False)
thing = html.fromstring("<code>&amp;lt;div&amp;gt;</code>", parser=parser)
print(thing.text)  # 输出：&amp;lt;div&amp;gt;

补充：处理tostring的标签问题（不推荐） #

如果一定要使用tostring，可以通过字符串处理去掉首尾的<code>标签，但这种方法不够健壮（比如标签带有属性时会失效）：

from lxml import html

thing = html.fromstring("<code>&amp;lt;div&amp;gt;</code>")
raw_content = html.tostring(thing, encoding='unicode').strip('<code></code>')
print(raw_content)  # 输出：&amp;lt;div&amp;gt;

内容的提问来源于stack exchange，提问作者erobson