python htmlparser'＆'字符

Question

HTMLParserpython的模塊在解析具有&字符的數據時有問題。下面的HTML代碼從here

<td style="text-align: center; color:#c00;">15:30</td><td>Haber</td><td>Haber & Aktüalite</td>

解析器代碼是採取：

from HTMLParser import HTMLParser 

class HTMLParser_haberciniz(HTMLParser): 
    def __init__(self): 
     HTMLParser.__init__(self) 
     self.inlink = False 

    def handle_starttag(self, tag, attrs): 
     if tag == 'td': 
      self.inlink = True 

    def handle_endtag(self, tag): 
     if tag == 'td': 
      self.inlink = False 

    def handle_data(self, data): 
     if self.inlink : 
      print data 

問題是，它解析所有Haber，&，Aktüalite爲不同的令牌，實際上應該是Haber & Aktüalite。

Answer 1

許多XML解析器不保證一次性調用「數據」回調，即使是連續的文本片段。 HTMLParser也可能是這種情況。所以你最好不要依賴它。您可以將數據追加到某個內部緩衝區，然後只有在發生其他類型的事件時才處理它。

是的，正如collapsar所說，HTML在技術上也是無效的，儘管解析器似乎以合理的方式解析它。