Question

我正在试图找出python lxml api，但遇到了一个特殊的问题。我安装了以下库版本：

libxml2：2.7.8
libxslt：1.1.26

当我运行以下代码时：

html = open('file.html', 'r')
context = etree.iterparse(StringIO(html), events=("start", "end"), html='true')
for event, element in context:
    #do stuff

编辑：

事实证明这是一个解析错误。我将html移动到一个文件（如下所示）

<html>
    <head></head>
    <body>
        <table>
            <tr>
                <td>image</td>
                <a href="relative.phtml?with=querystring&blah=blah">blah\n(blah)</a></td>
                <td>   35   </td>
                <td>   28   </td>
                <td><b>-7</b></td>
                <td>   
                23,000    </td>
                <td>   373,000   </td>
                <td>   644,000   </td>
                <td>+72.65%</td>
            </tr>
            <tr>
                <td>image</td>
                <td><a href="relative.phtml?with=querystring&blah=blah">blah\n(blah)</a></td>
                <td>   35   </td>
                <td>   28   </td>
                <td><b>-7</b></td>
                <td>   
                23,000    </td>
                <td>   373,000   </td>
                <td>   644,000   </td>
                <td>+72.65%</td>
            </tr>
        </table>
    </body>
</html>

我现在收到此错误：

for event，context in context：

文件“iterparse.pxi”，第515行，位于lxml.etree.iterparse。下一步   （src / lxml / lxml.etree.c：86484）文件“parser.pxi”，第565行，   lxml.etree._raiseParseError（src / lxml / lxml.etree.c：64084）   lxml.etree.XMLSyntaxError：解析属性名称的错误，第1行，   第12栏

ORIGIN ERROR：

for event，context in context：

文件“iterparse.pxi”，第515行，位于lxml.etree.iterparse。下一步   （src / lxml / lxml.etree.c：86484）文件“parser.pxi”，第565行，   lxml.etree._raiseParseError（src / lxml / lxml.etree.c：64084）   lxml.etree.XMLSyntaxError：htmlParseEntityRef：期待';'，第7行，   第71栏

我以为我非常接近lxml的site教程，所以我很困惑。这可能是安装问题吗？

Answer 1

问题是HTML格式不正确。要解决此问题，您可以使用BeautifulSoup（它能够解析此HTML）或在尝试解析HTML之前清理HTML。

我发现的问题是：

＆ampersand应作为链接中的HTML实体进行转义：& =＆gt; &
必须删除第一个td代码后关闭a代码，因为它与任何其他开放td代码都不匹配。

Answer 2

lxml iterparse无法解析损坏的html。如果你有一个非常大的文件或内存限制，你可以编写自己的解析器，如this answer。但是，如果允许将整个树存储到内存中，则可以使用比lxml.html更快的BeautifulSoup。

lxml.etree.XMLSyntaxError：htmlParseEntityRef：expecting';'

编辑：

2 个答案: