如何使用xml.etree.ElementTree将HTML内容写入XML文件？

问题原因 #

Python标准库的xml.etree.ElementTree模块默认会自动转义文本内容中的XML特殊字符（<、>、&等），你直接把拼接好的CDATA字符串赋值给元素的text属性时，里面的<会被转义为<，最终输出就出现了<的双重转义问题，和预期输出不符。

方案1：使用标准库，自定义CDATA序列化逻辑 #

不需要额外安装第三方库，给标准库扩展CDATA支持即可：

1. 在创建元素之前添加如下注册代码：

import xml.etree.ElementTree as ET

# 定义CDATA节点构造方法
def CDATA(content):
    cdata_elem = ET.Element('![CDATA[')
    cdata_elem.text = content
    return cdata_elem

# 重写序列化逻辑，识别CDATA节点
ET._original_serialize = ET._serialize_xml
def custom_serialize(write, elem, qnames, namespaces, short_empty_elements, **kwargs):
    if elem.tag == '![CDATA[':
        write(f"<![CDATA[{elem.text}]]>")
        if elem.tail:
            write(ET._escape_cdata(elem.tail))
        return
    return ET._original_serialize(write, elem, qnames, namespaces, short_empty_elements, **kwargs)
ET._serialize_xml = custom_serialize

2. 替换原有的赋值逻辑，不要手动拼接CDATA标签：

qtext = ET.SubElement(questiontext, 'text')
# 直接传入要嵌入的HTML内容即可，不需要额外加CDATA标签
qtext.append(CDATA('<div class="qtext"></div>'))

3. 原有文件保存代码不需要修改，运行后即可得到符合要求的XML文件。

方案2：使用lxml库（更简洁） #

如果可以接受安装第三方库，lxml原生支持CDATA，使用更简单：

1. 先安装依赖：
   pip install lxml
2. 替换导入和赋值逻辑即可：

from lxml import etree as ET

# 其他创建元素的逻辑和标准库用法基本一致
qtext = ET.SubElement(questiontext, 'text')
# 直接用内置的CDATA方法包裹HTML内容
qtext.text = ET.CDATA('<div class="qtext"></div>')

保存文件的逻辑和原来一致，输出即可符合要求。

内容的提问来源于stack exchange，提问作者rezoThePriest