比較HTML和difflib

Question

我期待獲得內容的可靠差異（結構性更改將是罕見的，因此可以忽略）的this頁面。更具體地講，我需要拿起唯一的變化是增加了一個新的指令ID：

爲了獲得所difflib會產生，我第一次diff的2項相同 HTML內容，希望的感覺得到任何回報：

url = 'https://secure.ssa.gov/apps10/reference.nsf/instructiontypecode!openview&restricttocategory=POMT' 
response = urllib.urlopen(url 
content = response.read() 
import difflib 
d = difflib.Differ() 

diffed = d.compare(content, content) 

由於difflib模仿了UNIX diff工具，我希望diffed包含什麼（或給一些跡象表明，該序列是相同的，但若真我'\n'.joindiffed，我得到something resembling HTM L，（雖然它不會在瀏覽器中渲染）

事實上，如果我拿最簡單的情況可能版本比較兩個漢字：

diffed = d.compare（ '一個'， 'A'）

diffed.next()產生以下：

' a' 

因此，我期望任someth從difflib，它不能或不會提供（我應該改變粘性），還是我濫用它？什麼是可行的替代方法來區分HTML？

Answer 1

Differ.compare()的參數應該是字符串的序列。如果您使用兩個字符串，它們將被視爲序列，並因此逐字比較。

所以，你的例子應該寫成：

url = 'https://secure.ssa.gov/apps10/reference.nsf/instructiontypecode!openview&restricttocategory=POMT' 
response = urllib.urlopen(url) 
content = response.readlines() # get response as list of lines 
import difflib 
d = difflib.Differ() 

diffed = d.compare(content, content) 
print('\n'.join(diffed)) 

如果你只想要一個HTML文件的內容進行比較，你應該使用一個解析器來處理它，得到的只有文字沒有標籤，例如通過使用BeautifulSoup的soup.stripped_strings：

... 
soup = bs4.BeautifulSoup(html_content) 
diff = d.compare(list(soup.stripped_strings), list_to_compare_to) 
print('\n'.join(diff)) 
...