Linux 在Python3中使用HTMLParser解析HTML_Linux_Windows_Parsing_Python 3.x_Html Parsing

Linux 在Python3中使用HTMLParser解析HTML

linux windows parsing python-3.x

Linux 在Python3中使用HTMLParser解析HTML,linux,windows,parsing,python-3.x,html-parsing,Linux,Windows,Parsing,Python 3.x,Html Parsing,我在Python3中有一段代码，它在Windows中使用HTMLParser成功解析HTML，问题是我也想在Linux中运行该脚本，但它似乎不起作用我使用以下内容检索HTML代码： html = urllib.request.urlopen(url).read() html_str = str(html) parse = MyHTMLParser() parse.feed(html_str) b'\n \n<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML

我在Python3中有一段代码，它在Windows中使用HTMLParser成功解析HTML，问题是我也想在Linux中运行该脚本，但它似乎不起作用

我使用以下内容检索HTML代码：

html = urllib.request.urlopen(url).read()
html_str = str(html)
parse = MyHTMLParser()
parse.feed(html_str)

b'\n \n<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"\n
    "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">\n
    <html xmlns="http://www.w3.org/1999/xhtml">\n
        <head>\n

html

的原始输出如下：

html = urllib.request.urlopen(url).read()
html_str = str(html)
parse = MyHTMLParser()
parse.feed(html_str)

b'\n \n<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"\n
    "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">\n
    <html xmlns="http://www.w3.org/1999/xhtml">\n
        <head>\n

正如您所看到的，我有几个

\\n

，Windows对此毫不在意，但对于Linux，它们是转义序列，因此无法解析html。我现在不记得确切的错误了，但有点像

无法解析\\

我曾尝试使用

re

删除

re.sub（“\\”，“”，html\u str）

中多余的

，但在Windows中似乎什么也做不了，在Linux中我也遇到了一个错误

这是我在Linux中尝试

re.sub

html时遇到的错误：

>>> re.sub("\\","",html_str)
Traceback (most recent call last):
  File "/usr/lib/python3.1/sre_parse.py", line 194, in __next
    c = self.string[self.index + 1]
IndexError: string index out of range

你知道如何去除

html\u str

中多余的

，以便在Linux中解析它吗？

在python3中，你不能像现在这样将

字节

转换成

str

：

html_str = str(html)

这在python2中起作用，因为

bytes

和

str

是相同的，但现在您将获得原始字符串的表示形式。要解码字符串，您需要提供参数，或使用：

hmtl_str = html.decode(encoding)

如果无法从http头中获取字符集，可以尝试猜测，或使用来确定正确的编码。

\\n

在Linux上不是转义序列<代码>\\n是两个字符，一个反斜杠（转义为

\\

，使输出成为有效的python字节文字）和一个

字符。这些字符在Windows和Linux上具有相同的含义。请您查找准确的错误并进行回溯好吗？请注意，

str（html，'ascii'）

与

html.decode（'ascii'）

是一样的。