使用lxml.html向HTML文件新增标签后操作未生效的问题咨询

核心问题点 #

• 第一个循环已将row_data中所有节点从DOM树中移除，后续第二个循环修改的都是已脱离DOM的游离节点，修改结果自然不会同步到最终的HTML中
• html.tostring()返回的是bytes类型，直接转str并手动移除b'前缀的处理方式极易引发编码错误，且通过字符串替换插入<span>标签的逻辑不稳定，容易误伤正常标签内容
• Element.set()方法使用错误：lxml的节点set方法入参为(属性名, 属性值)，代码中x.set('class="Numbers"', value=x.text_content())属于完全错误的调用，不仅不会正常设置class属性，还会生成非法属性名，且不存在value这个入参

修正方案 #

优化span插入逻辑（无需删除原节点） #

不需要将节点转成字符串做替换，直接操作DOM节点即可完成内容套span的需求：

from lxml.html import builder as E

for y in row_data:
    # 提取原td节点的文本内容
    origin_text = y.text or ''
    # 构建span节点承载内容
    span_node = E.SPAN(origin_text)
    # 清空原td的文本，插入span节点
    y.text = ''
    y.insert(0, span_node)

修正属性设置逻辑 #

for x in row_data:
    content = x.text_content()
    if number.search(content) and not date_pattern.search(content):
        # 兼容style属性不存在的场景
        x.attrib['style'] = x.attrib.get('style', '') + 'color:orange;'
        # 正确设置class属性
        x.set('class', 'Numbers')
        # 如需给内层span加class，替换为 x[0].set('class', 'Numbers')
    elif date_pattern.search(content):
        x.attrib['style'] = x.attrib.get('style', '') + 'color:red;'
        x.set('class', 'Dates')

特殊场景说明 #

如果你确实需要替换整个td节点，必须将新生成的节点存入新列表，后续遍历新列表做属性修改：

new_td_list = []
for y in row_data:
    # 这里用更稳妥的方式生成新td节点
    origin_html = html.tostring(y, encoding='unicode')
    new_html = origin_html.replace('">', '"><span>').replace('</td>', '</span></td>')
    new_td = html.fromstring(new_html)
    y.addprevious(new_td)
    y.getparent().remove(y)
    new_td_list.append(new_td)

# 遍历新的已挂载在DOM中的节点做修改
for x in new_td_list:
    # 后续属性修改逻辑和上面一致

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