请教 lxml 分析 html 的问题

[wencan]

写一个爬虫程序，使用 lxml.html 分析网页
遇到一个正文带图片的网页，无法正常解析

不带图片的正文部分是这样的：

<font face="宋体" size="3"><!--HTMLBUILERPART0--><DIV style="FLOAT: left"><script type="text/javascript" src="/2014newad.js"></script><br><script type="text/javascript" src="/xyoushangjiaoguanggao.js"></script><br><script type="text/javascript" src="/3youshangjiaoguanggao.js"></script></DIV>　　我是文本<BR><BR> 
　　我是文本<BR><BR> 
　　我是文本<BR><BR> 
<!--/HTMLBUILERPART0--><br><div align="center"></div> </font>

带图片的正文部分是这样的：

<font face="宋体" size="3"><!--HTMLBUILERPART0--><DIV style="FLOAT: left"><script type="text/javascript" src="/2014newad.js"></script><br><script type="text/javascript" src="/xyoushangjiaoguanggao.js"></script><br><script type="text/javascript" src="/3youshangjiaoguanggao.js"></script></DIV>
<center><img border="0" src="zz.jpg" width="126" height="144"></center><BR><BR>
　　我是文本<BR><BR> 
　　我是文本<BR><BR> 
<!--/HTMLBUILERPART0--><br><div align="center"></div> </font>

中间多出了：

<center><img border="0" src="zz.jpg" width="126" height="144"></center>

解析代码为：

        body = doc.xpath("/html/body")[0]
        lines = body.xpath("//font[@face=\"宋体\" and @size=\"3\"]/*")

        context = []
        for line in lines:
            if not line.tail:
                continue
            context.append(line.tail)

        return context

代码解析不带图片的正文正常
解析带图片的正文，无法得到图片和文本节点（跟 if not line.tail 无关）

[keakon]

因为这是个错误的 html，font 是 inline 元素，center 是 block 元素，lxml 在构造时会把 center 移到 font 外部。

[zhusimaji]

爬虫就用 bs4 解析，方便快捷