0

我正在尝试从http://feeds.reuters.com/~r/reuters/technologyNews/~3/ZyAuZq5Cbz0/story01.htm获取 Body-Tag

但 BeautifulSoup 没有找到它。这是因为无效的 HTML 吗？如果是这样，我该如何防止这种情况？

我还尝试使用 PyTidyLib ( http://countergram.com/open-source/pytidylib/docs/index.html )为 HTML 错误添加前缀

这是一些代码：

def getContent(url, parser="lxml"):
    request = urllib2.Request(url)  
    try:    
        response = opener.open(request).read()
    except:
        print 'EMPTY CONTENT',url
        return None
    doc, errors = tidy_document(response)
    return parse(url, doc)

def parse(url, response, parser="lxml"):
    try:
        soup = bs(response,parser)
    except UnicodeDecodeError as e:
        if parser=="lxml":
            return parse(url, response, "html5lib")
        else:
            print e,url
            print 'EMPTY CONTENT',url
            return None  

    body = soup.body
    ...

当我打印出 Soup 时，我可以看到打开和关闭 body-Tag，但是在 body = soup.body 之后，我得到了 None。

我正在使用 Python 2.7.3 和 BeautifulSoup4 它似乎可以与 BeautifulSoup3 一起使用，但由于性能问题我需要坚持使用 BS4。

4

1 回答 1

1

我终于让它运行起来了。这是代码：

import urllib2
from lxml import html

url = "http://www.reuters.com/article/2013/04/17/us-usa-immigration-tech-idUSBRE93F1DL20130417?feedType=RSS&feedName=technologyNews"
response = urllib2.urlopen(url).read().decode("utf-8")
test = html.fromstring(response)

for p in test.body.iter('p'):
    print p.text_content()
于 2013-05-06T18:36:32.433 回答