Python：解析 SGML答案

【问题标题】：Python: Parsing SGMLPython：解析 SGML
【发布时间】：2015-07-29 07:59:14
【问题描述】：

我正在尝试在 Python 中解析一些 SGML，如下所示：

<!DOCTYPE lewis SYSTEM "lewis.dtd">
<TEXT>
    <TITLE>One</TITLE>
    <BODY>Sample One</BODY>
</TEXT>
<TEXT>
    <TITLE>Two</TITLE>
    <BODY>Sample Two</BODY>
</TEXT>

在这里，我只是在寻找<BODY> 标签（即["Sample One", "Sample Two"]）内的所有内容。

我尝试过使用 BeautifulSoup，但它不喜欢第一行中的 <!DOCTYPE>，并且还希望将所有内容都包裹在像 <everything></everything> 这样的根标签上。虽然我可以在将这些更改传递给 BeautifulSoup 之前手动进行这些更改，但感觉有点太老套了。

我对 SGML 还很陌生，也没有和 BeautifulSoup 结婚，所以我愿意接受任何建议。

（对于那些好奇的人：我的具体用例是 reuters21578 数据集。）

【问题讨论】：

你用什么解析器来处理漂亮的汤？
我正在使用“lxml-xml”，正如其中一个文档中所推荐的那样。
您可以将您的 SGML 转换为 XML 并从中工作，如以下答案所述：stackoverflow.com/a/12534420/407651。

标签： python parsing xml-parsing beautifulsoup sgml

【解决方案1】：

您可以尝试使用'html.parser' 代替lxml-xml 作为解析器。 lxml-xml 期望文本是正确的 xml ，但事实并非如此。

示例/演示 -

>>> from bs4 import BeautifulSoup
>>> s = """<!DOCTYPE lewis SYSTEM "lewis.dtd">
... <TEXT>
...     <TITLE>One</TITLE>
...     <BODY>Sample One</BODY>
... </TEXT>
... <TEXT>
...     <TITLE>Two</TITLE>
...     <BODY>Sample Two</BODY>
... </TEXT>"""
>>> soup = BeautifulSoup(s,'html.parser')
>>> soup.find_all('body')
[<body>Sample One</body>, <body>Sample Two</body>]

【讨论】：

谢谢！是使这个有效的 XML 去掉第一行并将所有内容包装在一个虚拟根元素中的唯一方法吗？我对使用 lxml 感兴趣主要是出于性能原因（另外，是否没有标准的 SGML 解析器）？
我不认为 BeautifulSoup 内置了 sgml 解析器，'lxml' 也可能对你有用，即lxml html 解析器（不是 xml 版本）。更多关于支持的解析器 - crummy.com/software/BeautifulSoup/bs4/doc/#installing-a-parser
@jonshao 另外，如果问题为您解决了。并且您对答案感到满意，请记住接受答案（通过单击答案左侧的勾号），这对其他人也有帮助。