使用 Python 从 URL 获取 XML 中的字段答案

【问题标题】：Using Python to get a field in XML from URL使用 Python 从 URL 获取 XML 中的字段
【发布时间】：2012-10-18 15:37:56
【问题描述】：

我正在尝试从 URL 的 XML 文件中的特定字段获取信息。在我开始尝试之前，我就遇到了这些奇怪的错误。这是我的代码：

url1 = 'http://www.dac.unicamp.br/sistemas/horarios/grad/G5A0/indiceP.htm'
data1 = urllib.urlopen(url1)
xml1 = minidom.parse(data1)

我收到此错误：

File "C:\Users\Administrator\Desktop\teste.py", line 15, in <module>
    xml1 = minidom.parse(data1)
  File "C:\Python27\lib\xml\dom\minidom.py", line 1920, in parse
    return expatbuilder.parse(file)
  File "C:\Python27\lib\xml\dom\expatbuilder.py", line 928, in parse
    result = builder.parseFile(file)
  File "C:\Python27\lib\xml\dom\expatbuilder.py", line 207, in parseFile
    parser.Parse(buffer, 0)
ExpatError: not well-formed (invalid token): line 4, column 22

我做错了吗？我从教程中复制了这些功能，它似乎应该可以工作..

【问题讨论】：

页面好像不是xhtml有效的，试试beautifulsoup吧。
@luke14free 哦，那是一回事吗？因此，如果页面对 XML 解析无效，还有其他方法可以获得我想要的信息吗？如果您进入页面，您会在右上角看到“Verão/2012”，这就是我要查找的字段。
试试这个：validator.w3.org 只需将 url 粘贴到地址输入字段中

标签： python xml url xml-parsing python-2.7

【解决方案1】：

使用lxml.html，它可以更好地处理无效的xhtml。

import lxml.html as lh
In [24]: xml1=lh.parse('http://www.dac.unicamp.br/sistemas/horarios/grad/G5A0/indiceP.htm')

【讨论】：

@root 我听说过 BeautifulSoup 的好消息。他们如何比较？
stackoverflow.com/questions/1922032/…
有人说 BS 可以更好地处理格式错误的源，但根据个人经验，lxml.html 也可以。对于格式良好的来源，我会说，lxml 是优越的。 lxml 也快得多。