问题标签 [html5lib]

我正在尝试通过 selector 获取带有类 nav 的元素.nav。结果库抛出异常：

仅实现类型选择器。

代码示例：

控制台输出：

怎么了？

我需要的是一种使用 html5lib 解析器生成真正的 xml.etree.ElementTree 的方法。（出于可移植性的原因，lxml 不是一个选项。）

ELementTree.parse 可以将解析器作为可选参数

但尚不清楚这样的解析器会是什么样子。HTML5 中是否有可以用于parser参数的类或对象？关于这个问题的两个库的文档都很薄。

上下文：

我有一个无法解析的格式错误的 XHTML 文件ElementTree.parse：

所以我html5lib.parse改用默认treebuilder="etree"参数，效果很好。

但是 html5lib 显然不输出一个xml.etree.ElementTree对象，只是一个具有几乎相同的 API 的对象。这有两个问题：

• html5libfind不支持该namespaces参数，使得 XPath 过于冗长而没有笨拙的包装函数。
• Eclipse 调试器不支持对 html5lib etree 进行钻取。

所以我不能单独使用 ElementTree 或 html5lib。

I'm parsing HTML with BeautifulSoup. At the end, I would like to obtain the body contents, but without the body tags. But BeautifulSoup adds html, head, and body tags. I this googlegrops discussion one possible solution is proposed:

This solution is a hack. There should be a better and obvious way to do it.

最近我一直在尝试使用 QF-Test 3.5.4 中的 Jython 脚本解析 HTML 文件中的数据（请注意，根据版本 3.5.1 的发行说明，支持的 Python 版本仅为 2.5.1。- http://www. qfs.de/en/qftest/relnotes.html#3.5.1）。

Python 库（旧的，因为我需要对 Python 2.x 的支持）：

• html5lib 0.95
• 美丽汤 3.2.1

我正在运行 Xubuntu 13.10。

Jython 脚本如下所示：

现在，当我尝试使用我需要正确设置的所有变量执行脚本时，我得到了这个：

我成功地将问题追溯到“inputstream.py”的导入，这是发生错误的点。

我真的用这个把头发拉了出来。如果可以的话，请帮我解决这个问题。

编辑：

通过修改 inputstream.py 修复：

我正在使用BeautifulSoup 4和Python 2.7。我想从网站中提取某些元素（数量，请参见下面的示例）。出于某种原因，lxml解析器不允许我从页面中提取所有所需的元素。它只会打印前三个元素。我正在尝试使用html5lib解析器来查看是否可以提取所有这些。

该页面包含多个项目，以及它们的价格和数量。包含每个项目所需信息的代码部分如下所示：

让我们考虑以下三种情况：

案例 1 - 数据：

印刷：

案例 2 - LXML：

印刷：

案例 3 - HTML5LIB：

我收到以下错误：

为了使用 html5lib 解析器提取我想要的信息，我必须如何调整我的代码？如果我在使用 html5lib 后简单地在控制台中打印汤，我可以看到所有需要的信息，所以我认为它可以让我得到我想要的。lxml 解析器并非如此，所以我也很好奇如果我使用 lxml 解析器似乎没有使用 lxml 解析器提取所有数量：

我想使用 BeautifulSoup4 从 lokal 保存的网站（python 文档）中获取不同的内容（类），所以我使用此代码来执行此操作（index.html 是这个保存的网站：https ://docs.python.org/3 /图书馆/stdtypes.html )

文件处理程序仅用于结果输出，对问题本身没有影响。

我的问题是结果是嵌套的。例如，方法“__eq__ (exporter) 将在 1. 类内部和 2. 作为独立的方法中找到。

所以我想删除其他结果中的所有结果，以使每个结果都在同一层次上。我怎样才能做到这一点？或者甚至可以在第一步中“忽略”该内容？我希望你明白我的意思。

对于与此类似的研究项目，我想从python 文档中提取所有“文档单元”。 python 文档中的文档单元可以是（作为 html-meta 标记）：

• 方法（dl 类：方法）
• 一个类 （dl类：类）
• 一个部分（div 类：部分）

并且这些应该是嵌套的：一个部分包含几个类es，其中包含几个方法s。但实际上这是非常不规则的。

示例1：如果一个部分包含多个类和方法：我想单独获取每个方法，每个类没有方法（我已经得到）和没有类的部分（我已经有）并且没有方法（我也已经有了），但其余的（因为那里有很多额外的东西）

Example2：如果一个方法或一个类没有出现它们的部分，我也想要它们，并且不能忘记它们。

注意：这并不容易，但我想将它们全部放在一个列表中，该列表与原始文档中的顺序相同。

我用 BeautifulSoup 进行了尝试，但我想为此我需要搜索“从叶到根”以首先获得最深的元素——BeautifulSoup4 不支持（AFAIK）。

首先，我认为问题是避免重复，但实际上这不是主要问题。

我很欣赏你的提示。

我正在使用bleach，它用于html5lib清理用户生成的内容，这些内容是设计为dust.js模板的 HTML 片段

一切都很好，除了这种情况-

输入：

输出：

循环标签在表格之外排序。这很有意义 - html5lib 正在纠正我的 html；内容不应包含在表结构中，除非它包含在 td/th 标记中。我通常希望发生这样的更正，并且仍然希望发生更正——但我想知道是否有办法以某种方式让这些标签通过。

过去有没有人遇到过类似的情况，并且能够抑制这种清理行为？

到目前为止，我想出的唯一方法是将控件包装在可以正则表达式输出的标记中：

这种方法的问题在于，一旦我正则表达式出这种格式化黑客，我就不能轻易地将它重新构建。编码的模板变得不可编辑。

仅删除所有 HTML 标签的解决方案不适用于我的应用程序。

到目前为止，我已经找到了两种在 Python 中清理 HTML 的解决方案：

1. 漂白剂（使用 html5lib）。它在开发服务器上运行良好，但我无法让它在生产中运行。当我尝试导入 html5lib 时，出现“ImportError：没有名为 html5lib 的模块”。就好像文件夹不存在一样。可能是GAE的python路径有问题。
2. lxml。让它在开发服务器上工作更复杂：必须将两个第三方二进制文件（libxslt 和 libxml2）安装到我的本地 Python，然后 pip install lxml。然后在生产中，一旦我在 app.yaml 中声明了 lxml 库，它就可以正常工作了。

有比 lxml 更好的解决方案吗？

提前致谢

我有这个不起作用的基本代码。如何将 Xpath 与 html5lib php 一起使用？或以任何其他方式使用 HTML5 的 Xpath。

未找到任何元素。使用$xpath->query('.')工程来获取根元素（通常 xpath 似乎有效）。$dom->getElementsByTagName('h1')正在工作中。