lxml html5parser 忽略 "namespaceHTMLElements=False" 选项
lxml html5parser ignores "namespaceHTMLElements=False" option
lxml html5parser 似乎忽略了我传递给它的任何 namespaceHTMLElements=False 选项。它将我给它的所有元素放入 HTML 命名空间而不是（预期的）void 命名空间。
这是一个重现问题的简单案例：
echo "<p>" | python -c "from sys import stdin; \
from lxml.html import html5parser as h5, tostring; \
print tostring(h5.parse(stdin, h5.HTMLParser(namespaceHTMLElements=False)))"
输出是这样的：
<html:html xmlns:html="http://www.w3.org/1999/xhtml"><html:head></html:head><html:body><html:p>
</html:p></html:body></html:html>
可以看出，html 元素和 HTML 命名空间中的所有其他元素。
预期的输出是这样的：
<html><head></head><body><p>
</p></body></html>
我知道 namespaceHTMLElements 是一个 html5lib 选项，而不是 lxml 自己直接使用的本机 lxml 选项。 lxml 应该只调用 html5lib 并以 html5lib 按预期使用它的方式将该选项传递给 html5lib。
2016-02-17更新
我还没有找到让 lxml html5parser 遵守 namespaceHTMLElements 的方法。但需要明确的是，另一种方法是直接调用 html5lib，如下所示：
echo "<p>" | python -c "from sys import stdin; \
import html5lib; from lxml import html; \
doc = html5lib.parse(stdin, treebuilder='lxml', namespaceHTMLElements=False); \
print html.tostring(doc)"
更多详情
一些我已经知道的事情：
- html5lib 完全符合 HTML 规范的要求，包括 the requirement that the
html element must be placed into the HTML namespace——而 html5lib
- 但是，html5lib 提供了
namespaceHTMLElements=False 作为覆盖默认“将 html 元素放入 HTML 命名空间”行为的选项。
- 当我直接使用 html5lib（而不是通过 lxml），并将
namespaceHTMLElements=False 传递给它时，一切都按预期工作——html 元素进入 void 命名空间。
将一些 printf 黑入 html5lib 源代码，我观察到：
- lxml 是实际上按预期使用
namespaceHTMLElements=False调用html5lib
- 但是，lxml 似乎调用了 html5lib 两次：第一次没有
namespaceHTMLElements，然后第二次有 namespaceHTMLElements=False
关于查找原因的结论
综上所述，很明显问题出在lxml和html5lib之间的接口上。我不确定为什么 lxml 两次调用 html5lib 但我认为这可能是因为出于某种原因它首先尝试创建自己的新实例 XHTMLParser 在做我实际要求它做的事情之前，这只是为了创建它自己的实例 HTMLParser.
所以也许它确实对 html5lib 进行了两次调用这一事实导致 html5lib 有点“锁定”第一次调用产生的默认 namespaceHTMLElements=True 行为，然后忽略 namespaceHTMLElements=False在第二次调用中看到它时的指令。
也许在以这种方式进行两次调用时，lxml 要么打破了 html5lib 中的某些假设，要么实际上以一种设计不打算使用的方式滥用 html5lib API。
或者根本不是 lxml 对 html5lib 进行两次单独调用的结果，而是它使用 html5lib 接口的方式存在其他问题。
无论如何，我很想听听其他人是否有其他人 运行 遇到过这个问题并且有解决方法——或者至少对它发生的原因有一些了解。
我在 source-code 中关注了 lxml 如何将参数传递给 html5lib。大多数函数都有一个整理*kws，然后交给下一个函数。在调用实际 html5 解析器的最后步骤之一中，它被删除并使用 2 个固定参数调用解析器。
(我昨天也遇到了同样的问题，刚到这个问题，忘记了细节，请允许我放弃任何code-snippets和参考。)
无论如何，这证实了在 2018 年，直接调用 html5lib 仍然是首选方式，如果由于某种原因调用 lxml 自己的解析器不是一个选项。
（我的 use-case 是：解析糟糕的 html 并拥有 xpath。）
lxml html5parser 似乎忽略了我传递给它的任何 namespaceHTMLElements=False 选项。它将我给它的所有元素放入 HTML 命名空间而不是（预期的）void 命名空间。
这是一个重现问题的简单案例：
echo "<p>" | python -c "from sys import stdin; \
from lxml.html import html5parser as h5, tostring; \
print tostring(h5.parse(stdin, h5.HTMLParser(namespaceHTMLElements=False)))"
输出是这样的：
<html:html xmlns:html="http://www.w3.org/1999/xhtml"><html:head></html:head><html:body><html:p>
</html:p></html:body></html:html>
可以看出，html 元素和 HTML 命名空间中的所有其他元素。
预期的输出是这样的：
<html><head></head><body><p>
</p></body></html>
我知道 namespaceHTMLElements 是一个 html5lib 选项，而不是 lxml 自己直接使用的本机 lxml 选项。 lxml 应该只调用 html5lib 并以 html5lib 按预期使用它的方式将该选项传递给 html5lib。
2016-02-17更新
我还没有找到让 lxml html5parser 遵守 namespaceHTMLElements 的方法。但需要明确的是，另一种方法是直接调用 html5lib，如下所示：
echo "<p>" | python -c "from sys import stdin; \
import html5lib; from lxml import html; \
doc = html5lib.parse(stdin, treebuilder='lxml', namespaceHTMLElements=False); \
print html.tostring(doc)"
更多详情
一些我已经知道的事情：
- html5lib 完全符合 HTML 规范的要求，包括 the requirement that the
htmlelement must be placed into the HTML namespace——而 html5lib - 但是，html5lib 提供了
namespaceHTMLElements=False作为覆盖默认“将html元素放入 HTML 命名空间”行为的选项。 - 当我直接使用 html5lib（而不是通过 lxml），并将
namespaceHTMLElements=False传递给它时，一切都按预期工作——html元素进入 void 命名空间。 将一些 printf 黑入 html5lib 源代码，我观察到：
- lxml 是实际上按预期使用
namespaceHTMLElements=False调用html5lib - 但是，lxml 似乎调用了 html5lib 两次：第一次没有
namespaceHTMLElements，然后第二次有namespaceHTMLElements=False
- lxml 是实际上按预期使用
关于查找原因的结论
综上所述，很明显问题出在lxml和html5lib之间的接口上。我不确定为什么 lxml 两次调用 html5lib 但我认为这可能是因为出于某种原因它首先尝试创建自己的新实例 XHTMLParser 在做我实际要求它做的事情之前，这只是为了创建它自己的实例 HTMLParser.
所以也许它确实对 html5lib 进行了两次调用这一事实导致 html5lib 有点“锁定”第一次调用产生的默认 namespaceHTMLElements=True 行为，然后忽略 namespaceHTMLElements=False在第二次调用中看到它时的指令。
也许在以这种方式进行两次调用时，lxml 要么打破了 html5lib 中的某些假设，要么实际上以一种设计不打算使用的方式滥用 html5lib API。
或者根本不是 lxml 对 html5lib 进行两次单独调用的结果，而是它使用 html5lib 接口的方式存在其他问题。
无论如何，我很想听听其他人是否有其他人 运行 遇到过这个问题并且有解决方法——或者至少对它发生的原因有一些了解。
我在 source-code 中关注了 lxml 如何将参数传递给 html5lib。大多数函数都有一个整理*kws，然后交给下一个函数。在调用实际 html5 解析器的最后步骤之一中，它被删除并使用 2 个固定参数调用解析器。
(我昨天也遇到了同样的问题，刚到这个问题，忘记了细节，请允许我放弃任何code-snippets和参考。)
无论如何，这证实了在 2018 年，直接调用 html5lib 仍然是首选方式，如果由于某种原因调用 lxml 自己的解析器不是一个选项。
（我的 use-case 是：解析糟糕的 html 并拥有 xpath。）