use*_*545 5 python xml parsing beautifulsoup
我正在尝试使用 BeautifulSoup 来解析由许多从 LexisNexis（法律数据库）批量下载的单个文档组成的 HTML 文件。
我的第一个任务是将 HTML 文件拆分为其组成文档。我认为这很容易，因为文档被<DOC NUMBER=1>body of the 1st document</DOC> 等等包围 。
但是，此<DOC>标记是 XML 标记，而不是 HTML 标记（文件中的所有其他标记都是 HTML）。因此，对于常规 HTML 解析器，此标记在树中不可用。
如何在 bs4 中构建一个解析器来获取这个 XML 标签？我附上了 HTML 文件的相关部分：
<!-- Hide XML section from browser <DOC NUMBER=1> <DOCFULL> --> BODY <!-- Hide XML section from browser </DOCFULL> </DOC> -->
当实例化 BeautifulSoup 对象时，您可以在 bs4 中指定 xml：
xml_soup = BeautifulSoup(xml_object, 'xml')
这应该可以解决你的问题。您可以使用该xml_soup对象来解析剩余的 html，但是我建议专门为 html 实例化另一个 soup 对象：
soup = BeautifulSoup(html_object)
| 归档时间： |
|
| 查看次数： |
176 次 |
| 最近记录： |