忽略Python中的XML错误

Question

我在Python中使用XML minidom（xml.dom.minidom），但XML中的任何错误都将终止解析器。 是否可以忽略它们，例如浏览器？ 我试图用Python编写浏览器，但如果标签不完全兼容，它只会引发异常。

Answer 1

有一个叫做BeautifulSoup的图书馆，我想这就是你要找的东西。 当您尝试解析无效的XML时，普通的XML解析器将无法正常工作。 BeautifulSoup更容错，它仍然可以从无效的XML中提取信息。

Beautiful Soup是一个Python HTML / XML解析器，专为快速周转项目而设计，例如屏幕抓取。 三个功能使其功能强大：

1. 如果给它不好的标记，美丽的汤不会窒息。 它产生一个解析树，使其与原始文档几乎一样有意义。 这通常足以收集您需要的数据并逃跑。
2. Beautiful Soup提供了一些简单的方法和Pythonic习语，用于导航，搜索和修改解析树：用于剖析文档和提取所需内容的工具包。 您不必为每个应用程序创建自定义解析器。
3. Beautiful Soup会自动将传入的文档转换为Unicode，将传出的文档转换为UTF-8。 您不必考虑编码，除非文档没有指定编码并且Beautiful Soup不能自动检测编码。 然后你只需要指定原始编码。

美丽的汤解析你给它的任何东西，并为你做树遍历的东西。 您可以告诉它“查找所有链接”，或“查找类externalLink的所有链接”，或“查找其网址匹配的所有链接”foo.com“，或”查找具有粗体文本的表格标题，然后给出我那个文字。“

Answer 2

应该注意的是，虽然HTML看起来像XML，但它不是XML。 XHTML是HTML的XML形式。

Answer 3

例如，请参阅extract-text-from-html-file-using-python，以获取有关在Python中解析HTML的方法的建议。