哪种工具对于格式错误的html更好且更有用？
我找不到如何使用libxml2的方法。
谢谢。
我找不到如何使用libxml2的方法。
谢谢。
4个回答
16
在 libxml2 页面 中提到：
请注意，一些 Python 纯粹主义者不喜欢默认的 Python 绑定设置，而不是抱怨，建议他们看看更 Pythonic 的 libxml2 和 libxslt 绑定：lxml，并检查邮件列表。
而在 lxml 页面上则提到：
lxml XML 工具包是用于 C 库 libxml2 和 libxslt 的 Python 绑定。它独特的地方在于，它将这些库的速度和 XML 功能完整性与本地 Python API 的简单性结合在一起，大多数情况下兼容但优于著名的 ElementTree API。
因此，使用 lxml 可以得到完全相同的功能，但具有与标准库中的 ElementTree 库兼容的 Pythonic API（这意味着标准库文档将有用于学习如何使用 lxml）。这就是为什么在使用相同实现的情况下，人们更倾向于选择 lxml 而不是 libxml2。
编辑：话虽如此，正如其他答案所解释的那样，要解析格式不规范的 HTML，您最好使用 BeautifulSoup。有趣的一点是，如果您已经安装了 lxml，BeautifulSoup 会像新版本的 文档 中所解释的那样使用它：
如果您没有指定任何内容，将获取已安装的最佳 HTML 解析器。Beautiful Soup 将 lxml 的解析器排名为最佳，然后是 html5lib 的解析器，最后是 Python 内置的解析器。
无论如何，即使 BeautifulSoup 在内部使用了 lxml，您仍然可以解析无法直接使用 xml 解析的损坏的 html。例如：
>>> lxml.etree.fromstring('<html>')
...
XMLSyntaxError: Premature end of data in tag html line 1, line 1, column 7
然而：
>>> bs4.BeautifulSoup('<html>', 'lxml')
<html></html>
最后，注意 lxml 还提供了访问旧版本 BeautifulSoup 的接口:
>>> lxml.html.soupparser.fromstring('<html>')
<Element html at 0x13bd230>
所以说，归根结底，你最终可能会使用 lxml 和 BeautifulSoup。你需要选择的唯一事情就是你最喜欢的API是什么。
- jcollado
2
尝试使用BeautifulSoup代替。它旨在解析结构较差的数据。
http://pypi.python.org/pypi/BeautifulSoup
http://lxml.de/elementsoup.html
- John P
0
通常建议使用lxml。具体来说，是lxml.html（如果我没记错的话）。
我相信它在底层使用libxml2，但如果HTML特别复杂，则会退回到beautifulsoup，但不要听我的，去看看网站！(http://lxml.de/)
- Arafangion
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接