使用 Python 解析 HTML，而不考虑正确的标签层次结构
Parsing HTML with Python with no regard for correct tag hierarchy
我想解析一个文档，该文档在语法上是 html 文档（使用带有属性的标签等），但在结构上不遵循规则（例如可能有 <html> 标签在 <div> 标签内 <body> 标签内）。我也不想要 XML 的额外严格性。不幸的是，lxml 只提供 document_fromstring()，它需要一个 html 根元素，以及 fragment_fromstring()，这又不允许有任何 html 或 [=18] =] 标签在不寻常的地方。
如何解析没有 "fixing" 错误结构的文档？
BeautifulSoup 应该可以做到这一点。
情况如下：
from bs4 import BeautifulSoup
import requests
r = requests.get(url)
soup = BeautifulSoup(r.text,'html.parser')
然后您可以搜索 "soup" 寻找您要查找的内容。
我想解析一个文档，该文档在语法上是 html 文档（使用带有属性的标签等），但在结构上不遵循规则（例如可能有 <html> 标签在 <div> 标签内 <body> 标签内）。我也不想要 XML 的额外严格性。不幸的是，lxml 只提供 document_fromstring()，它需要一个 html 根元素，以及 fragment_fromstring()，这又不允许有任何 html 或 [=18] =] 标签在不寻常的地方。
如何解析没有 "fixing" 错误结构的文档？
BeautifulSoup 应该可以做到这一点。
情况如下：
from bs4 import BeautifulSoup
import requests
r = requests.get(url)
soup = BeautifulSoup(r.text,'html.parser')
然后您可以搜索 "soup" 寻找您要查找的内容。