如何構建html5lib解析器來處理xml和html標記的混合

我是BeautifulSoup的新手，我正在學習如何使用它解決我的解析任務。我的html文件包含許多單獨的文檔，從lexisnexis（法律數據庫）以批量形式下載。我的第一個任務是在其組成文檔中拆分html文件。我認爲這很容易，因爲文檔被<DOC NUMBER=1>body of the 1st document</DOC>等包圍。然而，這個<DOC>標籤是一個xml標籤，而不是一個html標籤（文件中的所有其他標籤都是html）。由於這個原因，使用常規的html解析器，該標籤在樹中不可用。我如何在bs4中構建一個解析器來獲取這個xml標籤？我附上HTML文件的相關部分：如何構建html5lib解析器來處理xml和html標記的混合

 BODY 

最佳馬里昂

來源

2013-03-19 user2054545

當你BeautifulSoup對象實例化時可以指定BS4 XML：

xml_soup = BeautifulSoup(xml_object, 'xml')

這應該關心你的問題。您可以使用的xml_soup對象來解析剩餘的HTML，但我建議你專門實例化另一個湯對象的html：

soup = BeautifulSoup(html_object)

來源

2013-03-25 20:43:19 That1Guy

非常感謝！所以我嘗試過，但我認爲它沒有正確處理它。如果我嘗試使用xml_soup（「doc」），則不返回任何內容，如果嘗試打印（xml_soup.prettify），則會得到一長串文件「/usr/local/lib/python2.7/site-packages/bs4/element .py「，第1021行，解碼 indent_contents，eventual_encoding，格式化程序）文件」/usr/local/lib/python2.7/site-packages/bs4/element.py「，第1068行，位於decode_contents中最後被中斷：RuntimeError：在調用Python對象時超出最大遞歸深度 – user2054545 2013-03-30 00:04:50

應該不會發生遞歸錯誤。這可能是bs4中的一個bug如果你正在使用BeautifulSoup3，而不是'xml_soup = BeautifulSoup（xml_object，'xml'）'，你可以使用bs3的BeautifulStoneSoup。在安裝bs3之後，做：'從BeautifulSoup導入BeautifulStoneSoup'然後'xml_soup = BeautifulStoneSoup（xml_object）' – That1Guy 2013-03-30 03:09:18

如何構建html5lib解析器來處理xml和html標記的混合

回答

相關問題