logo标签列表

漂亮汤（BeautifulSoup）不同的解析器

python-3.xbeautifulsoup
5
有人能更详细地解释一下像html.parser和html5lib这样的解析器之间的区别吗？我遇到了一个奇怪的行为，在使用html.parser时，它忽略了特定位置的所有标记。看看这段代码：
from bs4 import BeautifulSoup
html = """
<html>
<head></head>
<body>
<!--[if lte IE 8]> <!-- data-module-name="test"--> <![endif]-->
 <![endif]-->
    <a href="test"></a>
    <a href="test"></a>
    <a href="test"></a>
    <a href="test"></a>
   <!--[if lte IE 8]>
  <![endif]-->
  </body>
</html>
"""

soup = BeautifulSoup(html, 'html.parser')
tags = soup.find_all('a')
print(tags)

使用HTML解析器时，这将返回一个空列表，而使用html5lib时，期望的"a"标签会如预期般返回。

有人知道原因吗？我已经阅读了文档，但关于不同解析器的解释还是很模糊。

另外，我注意到html5lib会忽略无效的标签，例如嵌套的表单标签，有没有办法使用html5lib来避免html.parser的上述行为，并同时获取无效的标签，如嵌套的表单标签？（使用html5lib解析时，其中一个表单标签被删除）

提前感谢。

6
可能是 python: difference between 'lxml' and "html.parser" and "html5lib" with beautiful soup? 的重复问题。 - Nazim Kerimbekov
1个回答
1
你可以使用非常快速且可以使用find_all或select来获取所有标签的lxml。
from bs4 import BeautifulSoup
html = """
<html>
<head></head>
<body>
<!--[if lte IE 8]> <!-- data-module-name="test"--> <![endif]-->
 <![endif]-->
    <a href="test"></a>
    <a href="test"></a>
    <a href="test"></a>
    <a href="test"></a>
   <!--[if lte IE 8]>
  <![endif]-->
  </body>
</html>
"""

soup = BeautifulSoup(html, 'lxml')
tags = soup.find_all('a')
print(tags)

或者

from bs4 import BeautifulSoup
html = """
<html>
<head></head>
<body>
<!--[if lte IE 8]> <!-- data-module-name="test"--> <![endif]-->
 <![endif]-->
    <a href="test"></a>
    <a href="test"></a>
    <a href="test"></a>
    <a href="test"></a>
   <!--[if lte IE 8]>
  <![endif]-->
  </body>
</html>
"""

soup = BeautifulSoup(html, 'lxml')
tags = soup.select('a')
print(tags)
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