在python中解析损坏的html页面_Python_Html Parsing_Beautifulsoup_Lxml

在python中解析损坏的html页面

python

在python中解析损坏的html页面,python,html-parsing,beautifulsoup,lxml,Python,Html Parsing,Beautifulsoup,Lxml,我试图解析一个破损的html页面，该页面在另一条注释中包含一条注释，所有著名的HTMLPasser，如beautifulsoup、lxml和HTMLPasser都给出了语法错误。下面是代码。如何忽略损坏代码的一部分并解析页面的其余部分 <html xmlns="http://www.w3.org/1999/xhtml"><head> <script language="JavaScript"> <!-- function setTimeOff

我试图解析一个破损的html页面，该页面在另一条注释中包含一条注释，所有著名的HTMLPasser，如beautifulsoup、lxml和HTMLPasser都给出了语法错误。下面是代码。如何忽略损坏代码的一部分并解析页面的其余部分

<html xmlns="http://www.w3.org/1999/xhtml"><head>

<script language="JavaScript">
<!--
     function setTimeOffsetVars (Link) { 
   // code removed
 } 

<!-- Image Preloader - takes an array of images to preload --> 
    function warningCheck(e, warnMsg) {
   // code removed
}
-->
</script>

</head>

<body topmargin="0" leftmargin="0" rightmargin="0" bottommargin="0" marginwidth="0" marginheight="0">
<!-- lot of useful code -->
</body></html>


功能警告检查（e、warnMsg）{
//代码删除
}
-->

如果您知道问题出在哪里，您可以进行预处理：首先使用诸如regexps之类的基本方法去除有问题的内部注释，然后使用真正的解析器对其进行分析。

此html没有错误。我试过beautifulsoup4和lxml

from bs4 import BeautifulSoup
soup = BeautifulSoup(s)
print soup.prettify()


<html xmlns="http://www.w3.org/1999/xhtml">
 <head>
  <script language="JavaScript">
   &lt;!--
     function setTimeOffsetVars (Link) { 
   // code removed
 } 

&lt;!-- Image Preloader - takes an array of images to preload --&gt; 
    function warningCheck(e, warnMsg) {
   // code removed
}
--&gt;
  </script>
 </head>
 <body bottommargin="0" leftmargin="0" marginheight="0" marginwidth="0" rightmargin="0" topmargin="0">
  <!-- lot of useful code -->
 </body>
</html>

从bs4导入美化组
汤=美汤（s）
打印汤。美化
!--
函数setTimeOffsetVars（链接）{
//代码删除
} 
!-- 图像预加载程序-获取要预加载的图像数组--
功能警告检查（e、warnMsg）{
//代码删除
}
--