Potrzebuję przeglądać drzewo DOM parsowanego dokumentu HTML.Jak parsować zniekształcony HTML w pytonie
Używam uTidyLib przed parsowania ciąg z lxml
a = tidy.parseString (html_code, opcje) dom = etree.fromstring (STR (a))
czasami pojawia się błąd , wydaje się, że tidylib nie jest w stanie naprawić źle sformułowanego html.
Jak mogę analizować każdy plik HTML bez otrzymania błędu (parsowanie tylko niektórych części plików, których nie można naprawić)?
Beautiful Soup ma dobrą pracę z nieprawidłowymi/zerwanie HTML
>>> from BeautifulSoup import BeautifulSoup
>>> soup = BeautifulSoup("<[email protected])($*><body><table <tr><td>hi</tr></td></body><html")
>>> print soup.prettify()
<htm>
<body>
<table>
<tr>
<td>
hi
</td>
</tr>
</table>
</body>
</htm>
Skoro już używasz lxml, próbowałeś lxml'sElementSoup moduł?
Jeśli ElementSoup nie może naprawić kodu HTML, prawdopodobnie konieczne będzie najpierw zastosowanie własnych filtrów opartych na własnych obserwacjach, w jaki sposób dane są zrywane.
+1, ElementSoup to doskonała alternatywa. –
Linki zostały zerwane; edytowali je. Mam nadzieję, że nowe lokalizacje zawierają tę samą treść, na którą pierwotnie wskazywałeś. – tripleee
Jeśli nie masz zainstalowanej pięknej zupy, możesz potrzebować jej do zupy elementów. Po prostu zrób 'pip install beautifulsoup' – BobTuckerman