Question

我需要浏览解析后的HTML文档的DOM树。

在使用lxml

解析字符串之前，我正在使用uTidyLib

a = tidy.parseString（html_code，options） dom = etree.fromstring（str（a））

有时我会收到错误，似乎tidylib无法修复格式错误的HTML。

如何在不出错的情况下解析每个HTML文件（仅解析一些无法修复的文件部分）？

Answer 1

Beautiful Soup可以很好地处理无效/损坏的HTML

>>> from BeautifulSoup import BeautifulSoup
>>> soup = BeautifulSoup("<htm@)($*><body><table <tr><td>hi</tr></td></body><html")
>>> print soup.prettify()
<htm>
 <body>
  <table>
   <tr>
    <td>
     hi
    </td>
   </tr>
  </table>
 </body>
</htm>

Answer 2

由于您已经在使用lxml，您是否尝试过lxml's ElementSoup模块？

如果ElementSoup无法修复HTML，那么您可能需要首先应用自己的过滤器，这些过滤器基于您自己对数据如何被破坏的观察。

如何在python中解析格式错误的HTML

2 个答案: