Question

我正在尝试使用robobrowser和python 3.4来抓取一个html表单。我使用默认的html解析器：

self._browser = RoboBrowser(history=True, parser="html.parser")

它适用于正确的网页但现在我必须解析错误的书面页面。这是html片段：

<form method="post"  action="decide.php?act=submit_advance">
    <table  class="td_advanced">
    <tr class="td_advance">
    <td colspan="4" class="td_advance"></strong><br></td>
    <td colspan="3" class="td_left">Case sensitive:<br><br></td>
    <td><input type="checkbox" name="case_sensitive" /><br><br></td>
[...]
</form>

结束 strong 标记不正确。此错误会阻止解析器读取此错误标记后的所有输入：

form = self._browser.get_form()
print(form)
>>> <RoboForm>

有什么建议吗？

Answer 1

我自己找到了解决方案。关于beautifulsoup的评论很有帮助，并以适当的方式进行了搜索。

解决方案是：使用另一个html解析器。我试过 lxml ，它对我有用。

restclient

由于PyPI目前没有lxml安装程序使用我的python版本，我从这里下载了它：http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml

在不正确的网页上抓一张表格

1 个答案: