lxml中的解析函数错误答案

【问题标题】：error with parse function in lxmllxml中的解析函数错误
【发布时间】：2011-03-08 04:09:40
【问题描述】：

我已经在 windows 平台上安装了 lxml2.2.2（我使用 python 版本 2.6.5）。我尝试了这个简单的命令：

from lxml.html import parse 
p= parse(‘http://www.google.com’).getroot()

但我收到以下错误：

Traceback (most recent call last):
File “”, line 1, in p=parse(‘http://www.google.com’).getroot()
File “C:\Python26\lib\site-packages\lxml-2.2.2-py2.6-win32.egg\lxml\html_init_.py”, line 661, in parse return etree.parse(filenameorurl, parser, baseurl=baseurl, **kw) 
File “lxml.etree.pyx”, line 2698, in lxml.etree.parse (src/lxml/lxml.etree.c:49590) 
File “parser.pxi”, line 1491, in lxml.etree.parseDocument (src/lxml/lxml.etree.c:71205) File “parser.pxi”, line 1520, in lxml.etree.parseDocumentFromURL (src/lxml/lxml.etree.c:71488) 
File “parser.pxi”, line 1420, in lxml.etree.parseDocFromFile (src/lxml/lxml.etree.c:70583)
File “parser.pxi”, line 975, in lxml.etree.BaseParser.parseDocFrom
File (src/lxml/lxml.etree.c:67736)
File “parser.pxi”, line 539, in lxml.etree.ParserContext.handleParseResultDoc (src/lxml/lxml.etree.c:63820) 
File “parser.pxi”, line 625, in lxml.etree.handleParseResult (src/lxml/lxml.etree.c:64741)
File “parser.pxi”, line 563, in lxml.etree._raiseParseError (src/lxml/lxml.etree.c:64056)
IOError: Error reading file ‘http://www.google.com’: failed to load external entity “http://www.google.com”

我不知道下一步该做什么，因为我是 python 的新手。请指导我解决此错误。提前致谢！！ :)

【问题讨论】：

标签： python windows parsing lxml

【解决方案1】：

~~lxml.html.parse 不获取 URL。~~

下面是使用 urllib2 的方法：

>>> from urllib2 import urlopen
>>> from lxml.html import parse
>>> page = urlopen('http://www.google.com')
>>> p = parse(page)
>>> p.getroot()
<Element html at 1304050>

更新
史蒂文是对的。 lxml.etree.parse 应该接受并加载 URL。我错过了。我已尝试删除此答案，但不允许。

我撤回关于它不获取 URL 的声明。

【讨论】：

对不起，但它确实（或至少应该）获取网址。一定有别的原因。也许先尝试升级到最新的 lxml 版本。

【解决方案2】：

根据 api 文档，它应该可以工作：http://lxml.de/api/lxml.html-module.html#parse

这似乎是 lxml 2.2.2 中的一个错误。我刚刚使用 python 2.6 和 2.7 在 windows 上进行了测试，它确实适用于 2.3.0。

所以：升级你的 lxml，你会没事的。

我不确切知道问题出现在哪个版本的 lxml 中，但我相信问题不在于 lxml 本身，而在于用于构建 windows 二进制文件的 libxml2 版本。（某些版本的 libxml2 在 windows 上存在 http 问题）

【讨论】：

你确实知道这个问题是在一年前提出的，是吗？找到解决方法了吗？
@MattH：嗯，不，我没有。感谢提及。不知何故，它在我的 Google 阅读器提要中显示为新的（仍然显示“2011 年 6 月 30 日”），我没有仔细看...
那么如果我仍然有这个错误，并且yolk -l | grep lxml 返回lxml - 2.3 - active 那是什么意思？
@MattH：这个答案很有帮助；只需要一个错误报告的链接，拜托。 ;-)

【解决方案3】：

由于 cmets 中不允许换行，这是我对 MattH's answer 的实现：

from urllib2 import urlopen
from lxml.html import parse

site_url = ('http://www.google.com')

try:
    page = parse(site_url).getroot()
except IOError:
    page = parse(urlopen(site_url)).getroot()

【讨论】：