python - 忽略 Python 中的 XML 错误

Question

我在 Python 中使用 XML minidom (xml.dom.minidom)，但是 XML 中的任何错误都会杀死解析器。是否可以忽略它们，例如浏览器？我正在尝试用 Python 编写浏览器，但如果标签不完全兼容，它只会引发异常。

Answer 1

有一个名为BeautifulSoup的库，我认为这就是您要寻找的。当您尝试解析无效的 XML 时，普通的 XML 解析器将无法工作。BeautifulSoup 更容​​错，它仍然可以从无效的 XML 中提取信息。

Beautiful Soup 是一个 Python HTML/XML 解析器，专为屏幕抓取等快速周转项目而设计。三个功能使其功能强大：

1. 如果你给它错误的标记，Beautiful Soup 不会窒息。它会生成一个解析树，其意义与您的原始文档大致相同。这通常足以收集您需要的数据并逃跑。
2. Beautiful Soup 提供了一些用于导航、搜索和修改解析树的简单方法和 Pythonic 习惯用法：用于剖析文档和提取所需内容的工具包。您不必为每个应用程序创建自定义解析器。
3. Beautiful Soup 自动将传入文档转换为 Unicode，将传出文档自动转换为 UTF-8。您不必考虑编码，除非文档未指定编码并且 Beautiful Soup 无法自动检测编码。然后你只需要指定原始编码。

Beautiful Soup 解析你给它的任何东西，并为你做树遍历的东西。您可以告诉它“查找所有链接”，或“查找类 externalLink 的所有链接”，或“查找所有 url 匹配“foo.com”的链接，或“查找带有粗体文本的表格标题，然后给出我那条短信。”

Answer 2

应该注意的是，虽然 HTML 看起来像 XML，但它不是 XML。XHTML 是一种 XML 形式的 HTML。

Answer 3

例如，请参阅extracting-text-from-html-file-using-python以获取有关在 Python 中解析 HTML 的方法的建议。