我需要浏览解析的HTML文档的DOM树.
我在使用lxml解析字符串之前使用的是uTidyLib
a = tidy.parseString(html_code,options)dom = etree.fromstring(str(a))
有时我得到一个错误,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(仅解析一些无法修复的文件部分)？
dbr*_*dbr 25
美丽的汤用无效/破坏的HTML做得很好
>>> 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>
Van*_*ale 13
由于您已经在使用lxml,您是否尝试过lxml的 ElementSoup模块？
如果ElementSoup无法修复HTML,那么您可能需要首先应用自己的过滤器,这些过滤器基于您自己对数据如何被破坏的观察.