2

我正在尝试解析一个损坏的 html 页面，该页面在花药评论中有一个评论，所有著名的 htmlparsers（如 beautifulsoup、lxml 和 HTMLParser）都给出了语法错误。以下是代码。如何忽略损坏代码的部分并解析页面的其余部分？

<html xmlns="http://www.w3.org/1999/xhtml"><head>

<script language="JavaScript">
<!--
     function setTimeOffsetVars (Link) { 
   // code removed
 } 

<!-- Image Preloader - takes an array of images to preload --> 
    function warningCheck(e, warnMsg) {
   // code removed
}
-->
</script>

</head>

<body topmargin="0" leftmargin="0" rightmargin="0" bottommargin="0" marginwidth="0" marginheight="0">
<!-- lot of useful code -->
</body></html>
4

2 回答 2

3

如果您知道问题出在哪里，您可以进行预处理：首先使用像正则表达式这样的原始方法来去除有问题的内部注释，然后使用真正的解析器对其进行处理。

于 2012-12-26T08:24:05.550 回答
2

我对这个 html 没有错误。我试过beautifulsoup4和lxml。

from bs4 import BeautifulSoup
soup = BeautifulSoup(s)
print soup.prettify()


<html xmlns="http://www.w3.org/1999/xhtml">
 <head>
  <script language="JavaScript">
   &lt;!--
     function setTimeOffsetVars (Link) { 
   // code removed
 } 

&lt;!-- Image Preloader - takes an array of images to preload --&gt; 
    function warningCheck(e, warnMsg) {
   // code removed
}
--&gt;
  </script>
 </head>
 <body bottommargin="0" leftmargin="0" marginheight="0" marginwidth="0" rightmargin="0" topmargin="0">
  <!-- lot of useful code -->
 </body>
</html>
于 2012-12-26T09:00:59.100 回答