如何使用lxml獲取損壞的html的文本

Question

這是我所擁有的：

r = requests.get("http://www.cnn.com/")
htmlelement = lxml.html.fromstring(r.text)
html = lxml.html.tostring(htmlelement)
tree = lxml.etree.fromstring(html)
print tree.xpath('//*[@id="cnn_maintt1imgbul"]/div/div[2]/div/h1/a')

我以為xml.html更正了損壞的html？

錯誤是：

XMLSyntaxError：開頭和結尾標簽不匹配：鏈接第32行和頭部，第75行，第8列

謝謝！

Answer 1

我不明白為什么您要在達到這一目標后重新解析內容：

>>> htmlelement = lxml.html.fromstring(r.text)

因為此時您可以簡單地應用xpath表達式：

>>> results = htmlelement.xpath('//*[@id="cnn_maintt1imgbul"]/div/div[2]/div/h1/a')
>>> results
[<Element a at 0x1113a1f50>]
>>> print lxml.html.tostring(results[0])
'<a href="/2014/04/26/world/asia/south-korea-ship-sinking/index.html?hpt=hp_t1" target="">SOUTH KOREAN PRIME MINISTER RESIGNS</a>'

我相信您的問題是lxml.html.tostring()仍然生成HTML，然后您嘗試使用XML解析器進行解析。