如何在解析之前忽略 lxml 中的某些标签？答案

【问题标题】：How do I ignore certain tags in lxml before parsing it?如何在解析之前忽略 lxml 中的某些标签？
【发布时间】：2014-06-26 20:11:29
【问题描述】：

我正在使用 lxml 来解析一些 xml。一些标签的 html 格式错误，导致 lxml 抛出错误。我们想跳过“Tag1”并能够解析文档的其余部分。我们尝试了以下方法，但仍然收到错误“lxml.etree.XMLSyntaxError: Opening and ending tag mismatch: b”:

s = '<?xml version="1.0" encoding="UTF-8"?><myroot><Tag1><b>this is some malformed</Tag1><Tag2>We will continue on</Tag2></myroot>'
xml = etree.fromstring(s)
etree.strip_elements(xml, 'Tag1')
print xml.find('.//Tag2').text

发生错误是因为我们解析文档然后尝试忽略 Tag1。有没有办法在我们解析lxml中的文档之前忽略Tag1？

谢谢！

【问题讨论】：

标签： python regex lxml

【解决方案1】：

改用 lxml.html.fromstring()。它更宽容 HTML 主义。 html 版本读取您的示例没有错误。

【讨论】：

【解决方案2】：

您可以使用 BeautifulSoup 来解析损坏的 html (xml)。

import bs4
s = '<?xml version="1.0" encoding="UTF-8"?><myroot><Tag1><b>this is some malformed</Tag1><Tag2>We will continue on</Tag2></myroot>'
root=bs4.BeautifulSoup(s, 'lxml')
print root.find('tag2').text #-> We will continue on

【讨论】：