如何在python中解析格式错误的HTML
Posted
技术标签:
【中文标题】如何在python中解析格式错误的HTML【英文标题】：How to parse malformed HTML in python 【发布时间】：2010-10-28 15:01:32 【问题描述】：我需要浏览已解析 html 文档的 DOM 树。
我在用 lxml 解析字符串之前使用的是 uTidyLib
a = tidy.parseString(html_code, 选项) dom = etree.fromstring(str(a))
有时我会收到错误，似乎 tidylib 无法修复格式错误的 html。
如何在不出错的情况下解析每个 HTML 文件（仅解析无法修复的部分文件）？
【问题讨论】：
【参考方案1】：Beautiful Soup 可以很好地处理无效/损坏的 HTML
>>> from BeautifulSoup import BeautifulSoup
>>> soup = BeautifulSoup("<htm@)($*><body><table <tr><td>hi</tr></td></body><html")
>>> print soup.prettify()
<htm>
<body>
<table>
<tr>
<td>
hi
</td>
</tr>
</table>
</body>
</htm>
【讨论】：
【参考方案2】：既然你已经在使用lxml，你有没有试过lxml'sElementSoup模块？
如果 ElementSoup 无法修复 HTML，那么您可能需要先应用自己的过滤器，这些过滤器基于您自己对数据损坏方式的观察。
【讨论】：
链接被破坏；编辑它们。希望新位置包含您最初指向的相同内容。 如果您没有安装漂亮的汤，元素汤可能需要它。就做pip install beautifulsoup以上是关于如何在python中解析格式错误的HTML的主要内容，如果未能解决你的问题，请参考以下文章