推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
这是一个创建于 2741 天前的主题，其中的信息可能已经有所发展或是发生改变。
浏览器对 html 代码的容错性很强，像下面这句，两个标签开始结束的位置差开了，应该是个包含结构， a 包含 b ，结果错成了交叉结构。
但是这样浏览器也能正常解析。
<a target="_blank" href="http://wenda.eask.org/"><b>我要提问</a></b>
可是 BS4 在处理这样的页面时就中枪了，其实还有其他一些错误，比如，一个页面有好几个“<body>”标签，这个处理时比较简单，只保留第一个“<body>”，把后边的全删除即可。但这种交叉的我现在还想不出如何来处理。
附上句中的地址 http://www.eask.org/beijing/
但是这样浏览器也能正常解析。
<a target="_blank" href="http://wenda.eask.org/"><b>我要提问</a></b>
可是 BS4 在处理这样的页面时就中枪了，其实还有其他一些错误，比如，一个页面有好几个“<body>”标签，这个处理时比较简单，只保留第一个“<body>”，把后边的全删除即可。但这种交叉的我现在还想不出如何来处理。
附上句中的地址 http://www.eask.org/beijing/
 |
1
menc 2016-10-23 20:30:32 +08:00
使用容错性高的 html parser ，但是这个问题我记得 bs4 是可以解决的
|
 |
2
MinonHeart 2016-10-23 20:56:12 +08:00
把标签写正确🙃
|
 |
3
binux 2016-10-23 21:00:52 +08:00
lxml.html, html5parser
|
|
5
menc 2016-10-23 22:02:52 +08:00
|
 |
6
mhycy 2016-10-23 22:07:09 +08:00
碰上这种页面直接上正则表达式解决
|
|
7
binux 2016-10-23 22:23:29 +08:00
@menc
In [1]: import lxml.html In [2]: dom = lxml.html.fromstring(u'<a target="_blank" href="http://wenda.eask.org/"><b>我要提问</a></b>') In [3]: print lxml.html.tostring(dom, encoding="unicode") <a target="_blank" href="http://wenda.eask.org/"><b>我要提问</b></a> |
 |
11
firemiles 2016-10-24 00:09:25 +08:00 via Android
只识别标签头，任意结束标签当当前起始标签的结束，这么干就随意交叉，只要头的顺序对就行
|
 |
12
jaimezhan 2016-10-24 11:02:08 +08:00
写代码不严谨 或者使用编辑器的插件 自动补充关闭标签减少类似的错误代码
|
Select Language