如何在python中解析格式错误的HTML答案

【问题标题】：How to parse malformed HTML in python如何在python中解析格式错误的HTML
【发布时间】：2010-10-28 15:01:32
【问题描述】：

我需要浏览已解析 HTML 文档的 DOM 树。

我在用 lxml 解析字符串之前使用的是 uTidyLib

a = tidy.parseString(html_code, 选项) 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（仅解析无法修复的部分文件）？

【问题讨论】：

标签： python html lxml

【解决方案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>

【讨论】：

【解决方案2】：

既然你已经在使用lxml，你有没有试过lxml's ElementSoup模块？

如果 ElementSoup 无法修复 HTML，那么您可能需要先应用自己的过滤器，这些过滤器基于您自己对数据损坏方式的观察。

【讨论】：

链接被破坏；编辑它们。希望新位置包含您最初指向的相同内容。
如果您没有安装漂亮的汤，元素汤可能需要它。就做pip install beautifulsoup