Python 2.7 ElementTree如何在段落中插入超链接并避免解析错误

错误原因 #

你遇到的not well-formed报错核心有两个：

1. URL中的&符号在XML规范中属于必须转义的特殊实体，直接拼接字符串生成的HTML里的&没有转义，ElementTree解析时会直接判定为非良构文档
2. 全局字符串替换的方式很容易因为原始文本中的特殊字符破坏标签结构，本身就不适合XML/HTML节点生成场景

解决方案 #

ElementTree的节点支持text（节点开头的文本）和tail（节点结束后的文本）两个属性，非常适合处理这种在大段文本中插入行内元素的场景。你可以先通过正则把原始文本拆分为「普通文本段」和「需要加链接的Section段」交替的序列，再依次把普通文本和a标签节点追加到h4元素中即可，全程不需要手动拼接HTML字符串，也不会有转义问题。

完整实现代码 #

import re
import xml.etree.ElementTree as ET
import urllib

# 你的原始变量
lawLine = "..., a vessel as defined in Section 21 of the Harbors and Navigation Code which is inhabited and designed for habitation, an inhabited floating home as defined in subdivision (d) of Section 18075.55 of the Health and Safety Code, ..."
thisLawType = 'PC'

# 先创建h4节点
h4 = ET.Element('h4')
# 用带分组的正则拆分文本，会保留匹配到的Section段
parts = re.split(r'(Section [0-9.]*)', lawLine)

# 遍历拆分后的片段
current_parent = h4
for idx, part in enumerate(parts):
    if not part:
        continue
    # 奇数序号的片段是匹配到的Section，需要加链接
    if idx % 2 == 1:
        a = ET.Element('a')
        # 用urlencode自动处理参数转义，避免特殊字符问题
        query = urllib.urlencode({
            'lawtype': thisLawType,
            'lawnumber': part.replace('Section ', '')
        })
        a.set('href', './index.py?' + query)
        a.text = part
        current_parent.append(a)
        # 后续文本放到a节点的tail里
        current_parent = a
    else:
        # 偶数序号是普通文本，放到当前节点的text（第一个片段）或tail里
        if current_parent is h4:
            current_parent.text = part
        else:
            current_parent.tail = part

# 把生成好的h4追加到文档树中
htmlTree.append(h4)

方案说明 #

• 全程使用ElementTree原生API生成节点，所有属性和文本的特殊字符会自动转义，不会再出现格式错误
• 不需要手动拼接HTML字符串，避免了文本内容和标签混淆的问题
• 完全基于Python 2.7标准库实现，不需要引入任何第三方依赖

内容的提问来源于stack exchange，提问作者Evan Jones