Python BeautifulSoup提供不同的结果

Question

我正在尝试使用BeautifulSoup解析xml文件。 考虑如下的sampleinpt xml文件：

<DOC>
<DOCNO>1</DOCNO>
....
</DOC>
<DOC>
<DOCNO>2</DOCNO>
....
</DOC>
...

该文件包含130个<DOC>标记。 但是，当我尝试使用BeautifulSoup的findAll函数解析它时，它会检索随机数量的标签（通常在15到25之间），但是从不检索130。我使用的代码如下：

from bs4 import BeautifulSoup
z = open("filename").read()
soup = BeautifulSoup(z, "lxml")
print len(soup.findAll('doc'))
#more code involving manipulation of results

有人可以告诉我我在做什么错吗？ 提前致谢！

Answer 1

您正在告诉BeautifulSoup使用lxml提供的HTML解析器。 如果您有XML文档，则应坚持使用XML解析器选项：

soup = BeautifulSoup(z, 'xml')

否则，解析器将尝试“修复” XML以适合HTML规则。 BeautifulSoup中的XML解析也由lxml库处理。

请注意，XML 区分大小写，因此您现在需要搜索DOC元素。

对于XML文档， 可能是lxml提供的ElementTree API更具生产力。 例如，它支持XPath查询，而BeautifulSoup不支持。

但是，从您的样本中看来，似乎没有一个顶级元素 。 好像您的文档由一整套XML文档组成。 这使您的输入无效 ，并且解析器可能只坚持将第一个元素解析为顶级文档。