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 3471 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 年 10 月 23 日 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 年 10 月 23 日 把标签写正确 |
 | 3 binux 2016 年 10 月 23 日 lxml.html, html5parser |
| 5 menc 2016 年 10 月 23 日 |
 | 6 mhycy 2016 年 10 月 23 日 碰上这种页面直接上正则表达式解决 |
| 7 binux 2016 年 10 月 23 日 @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 年 10 月 24 日 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 年 10 月 24 日 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