将URL中的txt文件读入BeautifulSOUP

Question

我有一些指向txt文件的url地址，该地址包含html代码。 这是一个示例链接：

http://www.sec.gov/Archives/edgar/data/70858/000119312507058027/0001193125-07-058027.txt

我想用BeautifulSoup和以下代码阅读此html代码：

from bs4 import BeautifulSoup
import urllib2 

url =    "http://www.sec.gov/Archives/edgar/data/70858/000119312507058027/0001193125-07-058027.txt"
page = urllib2.urlopen(url)
soup = BeautifulSoup(page.read())
print (soup.prettify())

但是，我遇到了很多错误，例如：

File "C:/Users/.../aa.py", line 7, in <module> print (soup.prettify()) File "build\\bdist.win32\\egg\\bs4\\element.py", line 1097, in prettify return self.decode(True, formatter=formatter)

我怀疑发生这种情况是因为url是txt文件而不是html。 我对吗？ 如果是这样，有人可以让我知道这里的解决方案吗？

Answer 1

您可以尝试仅将文本文件的HTML部分（来自标记）输入到Beautiful汤中，我想它会中断，因为文本文件的开头不包含任何HTML。