Question

有人能告诉我什么是清理坏HTML的更好方法，所以BeautifulSoup可以处理它 - 如果使用BeautifulSoup的按摩方法或使用正则表达式清理它？

Answer 1

以为我应该改写我的答案。

内置按摩有利于轻微损伤（额外的空白，没有斜线等）。在进一步参与之前，我肯定会尝试躲开这些。

您可以pass in your own massages我建议您扩展默认设置：

import copy, re

myMassage = [(re.compile('<!-([^-])'), lambda match: '<!--' + match.group(1))]
myNewMassage = copy.copy(BeautifulSoup.MARKUP_MASSAGE)
myNewMassage.extend(myMassage)

BeautifulSoup(badString, markupMassage=myNewMassage)
# Foo<!--This comment is malformed.-->Bar<br />Baz

你最好这样做，因为它都进入一个解析器，获得BeautifulSoups优化......虽然运行时性能可能非常相似。

Answer 2

从the documentation起，按摩方法只是(regular expression, replacement function)对，所以我认为这不是一个使用按摩或正则表达式的情况。

e.g。整理不正确的评论：

(re.compile('<!-([^-])'), lambda match: '<!--' + match.group(1))

如果你看一下BeautifulSoup.py中_feed方法的来源，你会发现它们只是按照标记顺序运行：

for fix, m in self.markupMassage:
  markup = fix.sub(m, markup)

因此，虽然你可以在BeautifulSoup看到标记之前对你自己进行一些正则表达式处理，但你可能更好地将所需的任何额外整理与默认内置MARKUP_MASSAGE结合起来，如Oli's回答所示。< / p>

使用BeautifulSoup按摩或使用正则表达式清洁

2 个答案: