Question

在Python SGMLParser中，我无法解析＆＃39;  ＆＃39;没有空栏但是＆＃39;  ＆＃39;

我可以运行此代码以成功解析html，但是如果我更改了标签，请{＆＃39;  ＆＃39;到＆＃39;  ＆＃39;因为只是删除空块，结果是我无法成功解析html。

除了更换标签外，还有任何解决方法吗？

成功示例。

# coding=utf-8  
from sgmllib import SGMLParser #get SGML

class ListName(SGMLParser):#parser class
    def reset(self):
        self.is_a = False #get <a></a>
        self.name=[] #get text
        SGMLParser.reset(self)
    def start_a(self,attrs):
        self.is_a = True

    def end_a(self):
        self.is_a = False

    def handle_data(self,data):
        if self.is_a:
            self.name.append(data)

if __name__ == '__main__':
    urls='''
    <tr>
<td height="207" colspan="2" align="left" valign="top" class="normal">
<p>Damien Rice - 《0》 </p>
<a href="http://galeki.xy568.net/music/Delicate.mp3">1. Delicate</a><br />
<a href="http://galeki.xy568.net/music/Volcano.mp3">2. Volcano</a><br />
<a href="http://galeki.xy568.net/music/The Blower's Daughter.mp3">3. The Blower's Daughter</a><br />
<a href="http://galeki.xy568.net/music/Cannonball.mp3">4. Cannonball </a><br />
<a href="http://galeki.xy568.net/music/Older Chests.mp3">5. Order Chests</a><br />
<a href="http://galeki.xy568.net/music/Amie.mp3">6. Amie</a><br />
<a href="http://galeki.xy568.net/music/Cheers Darlin'.mp3">7. Cheers Darling</a><br />
<a href="http://galeki.xy568.net/music/Cold Water.mp3">8. Cold water</a><br />
<a href="http://galeki.xy568.net/music/I Remember.mp3">9. I remember</a><br />
<a href="http://galeki.xy568.net/music/Eskimo.mp3">10. Eskimo</a></p>
</td>
</tr>
    '''
listname=ListName() #init parser
listname.feed(urls) #run parser
print listname.name
listname.close()

结果是：

[＆＃39; 1。精致＆＃39;，＆＃39; 2。 Volcano＆＃39;，＆＃34; 3。鼓风机的女儿＆＃34;，＆＃39; 4。炮弹＆＃39;，＆＃39; 5。订购箱子＆＃39;，＆＃39; 6。 Amie＆＃39;，＆＃39; 7。干杯达林＆＃39;，＆＃39; 8。冷水＆＃39;，＆＃39; 9。我记得＆＃39;，＆＃39; 10。爱斯基摩＆＃39;]

错误的例子：

# coding=utf-8  
from sgmllib import SGMLParser #get SGML

class ListName(SGMLParser):#parser class
    def reset(self):
        self.is_a = False #get <a></a>
        self.name=[] #get text
        SGMLParser.reset(self)
    def start_a(self,attrs):
        self.is_a = True

    def end_a(self):
        self.is_a = False

    def handle_data(self,data):
        if self.is_a:
            self.name.append(data)

if __name__ == '__main__':
    urls='''
    <tr>
<td height="207" colspan="2" align="left" valign="top" class="normal">
<p>Damien Rice - 《0》 </p>
<a href="http://galeki.xy568.net/music/Delicate.mp3">1. Delicate</a><br/>
<a href="http://galeki.xy568.net/music/Volcano.mp3">2. Volcano</a><br/>
<a href="http://galeki.xy568.net/music/The Blower's Daughter.mp3">3. The Blower's Daughter</a><br/>
<a href="http://galeki.xy568.net/music/Cannonball.mp3">4. Cannonball </a><br/>
<a href="http://galeki.xy568.net/music/Older Chests.mp3">5. Order Chests</a><br/>
<a href="http://galeki.xy568.net/music/Amie.mp3">6. Amie</a><br/>
<a href="http://galeki.xy568.net/music/Cheers Darlin'.mp3">7. Cheers Darling</a><br/>
<a href="http://galeki.xy568.net/music/Cold Water.mp3">8. Cold water</a><br/>
<a href="http://galeki.xy568.net/music/I Remember.mp3">9. I remember</a><br/>
<a href="http://galeki.xy568.net/music/Eskimo.mp3">10. Eskimo</a></p>
</td>
</tr>
    '''
listname=ListName() #init parser
listname.feed(urls) #run parser
print listname.name
listname.close()

结果是：

[＆＃39; 1。细腻＆＃39;]

Answer 1

可能是 位被解析为启用网络的开始标记。

SGML有很多快捷方式（'最小化'），可以省略部分语法。 NET，对于'null end tag'，就是其中之一;这是一种避免完全编写结束标记并使用斜杠的方法。对于example，在SGML中，编写

<ISBN/0 201 17535 5/

与写作相同

<ISBN>0 201 17535 5</ISBN>

使用 替换错误示例中的所有<br//，即可获得预期结果。

也就是说，您的输入看起来几乎都是有效的HTML，而不是SGML - 您是否考虑过使用HTML或XML解析器？例如，使用Beautiful Soup：

from bs4 import BeautifulSoup
urls = ...
soup = BeautifulSoup(urls, "html.parser")
print([a.get_text() for a in soup.find_all('a')])

在Python SGMLParser中，无法解析＆＃39; <br/>＆＃39;没有空座但是＆＃39; <br/>＆＃39;

1 个答案: