27

如果我不能使用 BeautifulSoup 或 lxml，那么解析 HTML 的最佳选择是什么？我有一些使用 SGMLlib 的代码，但它有点低级，现在已弃用。

我更喜欢它可以忍受一些格式错误的 HTML，尽管我很确定大部分输入都会很干净。

4

6 回答 6

10

Python 有一个原生的 HTML 解析器，但是 Nick 建议的 Tidy 包装器可能也是一个不错的选择。Tidy 是一个很常见的库，（是用 C 写的吗？）

于 2009-04-04T20:00:52.927 回答
2

也许µTidylib会满足您的需求？

于 2009-04-04T18:14:20.560 回答
2

您可以使用 Pallet（ MacPorts 官方 GUI）在 Mac（OS X）上轻松无缝地安装 lxml 和许多其他 python 模块

模块名称为 py27-lxml。像 1,2,3 一样简单。

于 2012-06-27T17:37:16.193 回答
1

http://www.xmlhack.com/read.php?item=1392 http://sourceforge.net/projects/pirxx/

http://pyxml.sourceforge.net/topics/

我对 python 没有太多经验，但我过去使用过 Xerces（来自 Apache 基金会），发现它非常有用。学习曲线也不错，尽管我不是从 python 的角度来的。不过我建议你考虑一下。（我包含的前两个链接讨论了 Xerces 的 python 接口，最后一个是谷歌第一次点击“python xml”）。

于 2009-04-04T18:29:55.640 回答
1

html5lib 很好：
http ://code.google.com/p/html5lib/

更新：上面的链接坏了。上面的第三方镜像，可以从https://github.com/html5lib/gcode-import访问

于 2010-06-04T11:51:24.057 回答
1

htql 擅长处理格式错误的 html：

http://htql.net/

于 2011-03-23T14:25:04.993 回答