Python BeautifulSoup 给出不同的结果

Question

我正在尝试使用BeautifulSoup 解析xml 文件。考虑一个 sampleinpt xml 文件如下：

<DOC>
<DOCNO>1</DOCNO>
....
</DOC>
<DOC>
<DOCNO>2</DOCNO>
....
</DOC>
...

该文件包含 130 个<DOC> 标签。但是，当我尝试使用 BeautifulSoup 的 findAll 函数对其进行解析时，它会检索随机数量的标签（通常在 15 - 25 之间），但从不检索 130。我使用的代码如下：

from bs4 import BeautifulSoup
z = open("filename").read()
soup = BeautifulSoup(z, "lxml")
print len(soup.findAll('doc'))
#more code involving manipulation of results

谁能告诉我我做错了什么？提前致谢！

Answer 1

您告诉 BeautifulSoup 使用lxml 提供的 HTML 解析器。如果你有一个 XML 文档，你应该坚持使用 XML 解析器选项：

soup = BeautifulSoup(z, 'xml')

否则解析器将尝试“修复” XML 以适应 HTML 规则。 BeautifulSoup 中的 XML 解析也由 lxml 库处理。

请注意，XML 区分大小写，因此您现在需要搜索 DOC 元素。

对于 XML 文档，可能lxml 提供的 ElementTree API 效率更高；例如，它支持 XPath 查询，而 BeautifulSoup 不支持。

但是，从您的示例来看，似乎没有一个 顶级元素；就好像您的文档由一系列 XML 文档组成。这会使您的输入无效，并且解析器可能只是坚持只将第一个元素解析为顶级文档。