如何处理 Beautifulsoup 递归错误（或解析错误）

Posted 2023-02-23

【中文标题】如何处理 Beautifulsoup 递归错误（或解析错误）

【英文标题】：How to deal with Beautifulsoup Recursion Error (or parse error)

【发布时间】：2019-07-28 12:27:47

【问题描述】：

我有一堆 html 文件，我想用 Beautifulsoup 来阅读它们。其中一些，我收到了一个错误。我尝试解码，编码......但找不到问题。非常感谢您。

这是一个例子。

import requests
from bs4 import BeautifulSoup
new_text = requests.get('https://www.sec.gov/Archives/edgar/data/1723069/000121390018016357/0001213900-18-016357.txt')
soup = BeautifulSoup(new_text.content.decode('utf-8','ignore').encode("utf-8"),'lxml')
print(soup)

在 Jupyter 笔记本上，出现死内核错误。 在 Pycharm 上，我收到以下错误：（它会重复自己，所以删除了其中一些。但是很长。）

Traceback (most recent call last):
  File "C:/Users/oe/.PyCharmCE2019.1/config/scratches/scratch_5.py", line 5, in <module>
    print(soup)
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\site-packages\bs4\element.py", line 1099, in __unicode__
    return self.decode()
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\site-packages\bs4\__init__.py", line 566, in decode
    indent_level, eventual_encoding, formatter)
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\site-packages\bs4\element.py", line 1188, in decode
    indent_contents, eventual_encoding, formatter)
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\site-packages\bs4\element.py", line 1257, in decode_contents
    formatter))
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\site-packages\bs4\element.py", line 1188, in decode
    indent_contents, eventual_encoding, formatter)
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\site-packages\bs4\element.py", line 1257, in decode_contents
    formatter))
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\site-packages\bs4\element.py", line 1188, in decode
    indent_contents, eventual_encoding, formatter)
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\site-packages\bs4\element.py", line 1257, in decode_contents
    formatter))
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\site-packages\bs4\element.py", line 1188, in decode
    indent_contents, eventual_encoding, formatter)
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\site-packages\bs4\element.py", line 1254, in decode_contents
    text = c.output_ready(formatter)
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\site-packages\bs4\element.py", line 745, in output_ready
    output = self.format_string(self, formatter)
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\site-packages\bs4\element.py", line 220, in format_string
    if isinstance(formatter, Callable):
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\abc.py", line 190, in __instancecheck__
    subclass in cls._abc_negative_cache):
  File "C:\Users\oe\Anaconda3\envs\TextAnalysis\lib\_weakrefset.py", line 75, in __contains__
    return wr in self.data
RecursionError: maximum recursion depth exceeded in comparison

【问题讨论】：

非常感谢您指出这些。有什么可以让beautifulsoup跳过它们，或者把它们当作文本？我只需要没有标签的文本。所以我的主要目标是摆脱它们。但不要介意他们中的一些人留下来。

这实际上只是发生在print 上。如果你省略了print(soup)，你应该已经准备好了

如果我称它为其他名称，它也会停止。如果我想搜索它 "new_text = re.search(r'.*?' + r'F-2', str(soup), re.DOTALL).group()" ，它再次进入循环。你认为在 beautifulsoup 之前或之后 prettify() 有帮助吗？

【参考方案1】：

坦率地说，我不确定您的代码的根本问题是什么（尽管我在 Jupyter 笔记本中没有得到死内核），但这似乎可行：

url = 'https://www.sec.gov/Archives/edgar/data/1723069/000121390018016357/0001213900-18-016357.txt'

import requests
from bs4 import BeautifulSoup
new_text = requests.get(url)

soup = BeautifulSoup(new_text.text,'lxml')
print(soup.text)

请注意，在soup 中，new_text.content 被替换为 new_text.text，我不得不删除编码/解码参数，并且必须将 print 命令从 print(soup) 更改（这引发了错误）到print(soup.text) 工作正常。也许更聪明的人可以解释...

另一个适用的选项是：

import urllib.request

response = urllib.request.urlopen(url)
new_text2 = response.read()
soup = BeautifulSoup(new_text2,'lxml')
print(soup.text)