标签？ " />

lxml 的 XMLPullParser 在解析非标准或结构不完整的内容时，若误用 HTML 解析逻辑（如未指定严格 XML 解析器），可能将文本片段错误地包裹为 标签——根本原因在于混合了 HTML 容错解析行为与 XHTML 文档的预期。

lxml 为何在解析 xhtml 时自动插入 `

` 标签？

当你使用 lxml 解析 XHTML 文件却意外得到大量孤立 <p></p> 标签（如 <p> T </p> <p>></p>…），这通常并非 lxml 的“bug”，而是解析器类型误配或输入内容不符合 XML 语法规范所致。

关键原因有两点：

1. 误用了 HTML 解析逻辑：
   lxml 默认的 etree.parse() 或 etree.fromstring() 在检测到类似 HTML 的内容时，可能自动切换至 HTMLParser（尤其当文档缺少 <?xml ?> 声明或 DOCTYPE 不严谨时）。HTML 解析器会主动修复“破损”结构——例如将连续文本按空白或符号切分，并用 <p></p> 包裹段落。而你的原始 XHTML 是合法 XML，理应由严格 XML 解析器处理。

   立即学习“前端免费学习笔记（深入）”；

   

   html-to-pptx-converter

   使用 PptxGenJS 和 Python 解析，将结构化的 HTML/CSS 幻灯片内容转换为原生、可编辑的 PowerPoint（.pptx）演示文稿。

   下载

2. 输入字符串本身存在 XML 语法错误：
   如答案中指出，&gt（缺少分号）和 &lt 是非法实体引用，在 XML 中必须写作 > 和 <。当 lxml 的 XML 解析器遇到此类错误时，部分版本可能退化为容错模式，或触发底层 libxml2 的恢复策略，导致文本被错误分段并包装为块级元素（如 <p></p>）。

✅ 正确做法如下：

• 始终显式使用 XML 解析器：

  from lxml import etree as et
  
  # ✅ 强制 XML 解析（禁用 HTML 自动检测）
  parser = et.XMLParser(recover=False, strip_cdata=False)
  tree = et.parse("input.xhtml", parser)
  root = tree.getroot()

• 确保输入是合规的 UTF-8 编码 XML 字节串，且实体完整：

  # ✅ 正确的 XHTML 片段（注意 > < & 等必须带分号）
  xml_bytes = b'<body>T > 85C : 10ms 85 &#x3D;> T > 30C : 100ms T < 30 : 1s</body>'
  
  # 使用 XMLPullParser 时也需绑定 XMLParser
  target = et.TreeBuilder()
  parser = et.XMLPullParser(target=target, recover=False)
  parser.feed(xml_bytes)
  parser.close()
  root = target.close()
  print(et.tostring(root, encoding="utf-8").decode())
  # 输出： <body>T > 85C : 10ms 85 &#x3D;> T > 30C : 100ms T < 30 : 1s</body>

⚠️ 注意事项：

• 避免直接对未转义的 HTML 字符串调用 etree.fromstring() —— 它会默认启用 HTML 模式；
• 若源文件为 XHTML，建议先用 xmllint --noout input.xhtml 验证其有效性；
• 在 DITA 转换流程中，推荐统一使用 etree.XMLParser(load_dtd=False, no_network=True) 提升安全性和一致性；
• XMLPullParser 的 recover=False（默认）可防止静默纠错，便于早期暴露格式问题。

总结：lxml 插入 <p></p> 标签本质是解析器对“非标准输入”的适应性响应。坚持使用严格 XML 解析、校验实体合法性、避免混用 HTML/XHTML 解析上下文，即可彻底规避该现象。