beautifulsoup无法正确解析html

Question

所以我有以下代码：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from bs4 import BeautifulSoup

html = '</p></td></tr><tr><td colspan="3">   Data I want  </td></tr><tr>  <td colspan="3">   Data I want  </td> </tr> <tr><td colspan="3">   Data I want  </td> </tr></table>'
soup = BeautifulSoup(html, "lxml")

print soup.getText()

但是输出为空，但是与其他html示例一起使用也可以。 html之所以这样，是因为它是从表中提取的。

html = '<p>Content</p></td></table>'

例如，那很好。 有什么帮助吗？

编辑：我知道HTML是无效的，但第二个HTML示例也是无效的，但可以。

Answer 1

这是因为lxml无法解析无效的HTML 。

使用html.parser而不是lxml 。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from bs4 import BeautifulSoup

html = '</p></td></tr><tr><td colspan="3">   Data I want  </td></tr><tr>  <td colspan="3">   Data I want  </td> </tr> <tr><td colspan="3">   Data I want  </td> </tr></table>'
soup = BeautifulSoup(html, 'html.parser')

print soup.getText()

输出：

 Data I want      Data I want       Data I want   

Answer 2

如果一致的问题缺少开始标记，则可以使用正则表达式查找如下内容

from bs4 import BeautifulSoup
import re

html = '</p></td></tr><tr><td colspan="3">   Data I want  </td></tr><tr>  <td colspan="3">   Data I want  </td> </tr> <tr><td colspan="3">   Data I want  </td> </tr></table>'
pat = re.compile('</[a-z]*>')
L = list(re.findall(pat, html))
if L[0] != L[len(L)-1]:
    html = L[len(L)-1].replace('/','') + html

soup = BeautifulSoup(html, "lxml")
print soup.getText()

输出是

Data I want      Data I want       Data I want 

Answer 3

您所拥有的没有有效的HTML。 为什么不将其更改为以下内容？

html = '<table><tr><td colspan="3">   Data I want  </td></tr><tr>  <td colspan="3">   Data I want  </td> </tr> <tr><td colspan="3">   Data I want  </td> </tr></table>'

但是在您发布的示例之前可能缺少一些东西。 HTML代码来自哪里？