忽略Python中的XML錯誤

Question

我在Python中使用XML minidom（xml.dom.minidom），但XML中的任何錯誤都將終止解析器。 是否可以忽略它們，例如瀏覽器？ 我試圖用Python編寫瀏覽器，但如果標簽不完全兼容，它只會引發異常。

Answer 1

有一個叫做BeautifulSoup的圖書館，我想這就是你要找的東西。 當您嘗試解析無效的XML時，普通的XML解析器將無法正常工作。 BeautifulSoup更容錯，它仍然可以從無效的XML中提取信息。

Beautiful Soup是一個Python HTML / XML解析器，專為快速周轉項目而設計，例如屏幕抓取。 三個功能使其功能強大：

1. 如果給它不好的標記，美麗的湯不會窒息。 它產生一個解析樹，使其與原始文檔幾乎一樣有意義。 這通常足以收集您需要的數據並逃跑。
2. Beautiful Soup提供了一些簡單的方法和Pythonic習語，用於導航，搜索和修改解析樹：用於剖析文檔和提取所需內容的工具包。 您不必為每個應用程序創建自定義解析器。
3. Beautiful Soup會自動將傳入的文檔轉換為Unicode，將傳出的文檔轉換為UTF-8。 您不必考慮編碼，除非文檔沒有指定編碼並且Beautiful Soup不能自動檢測編碼。 然后你只需要指定原始編碼。

美麗的湯解析你給它的任何東西，並為你做樹遍歷的東西。 您可以告訴它“查找所有鏈接”，或“查找類externalLink的所有鏈接”，或“查找其網址匹配的所有鏈接”foo.com“，或”查找具有粗體文本的表格標題，然后給出我那個文字。“

Answer 2

應該注意的是，雖然HTML看起來像XML，但它不是XML。 XHTML是HTML的XML形式。

Answer 3

例如，請參閱extract-text-from-html-file-using-python，以獲取有關在Python中解析HTML的方法的建議。