Python BeautifulSoup和lxml解析器的问题
我在使用Beautifulsoup4.1.0和lxml解析器抓取一些网页时注意到一个奇怪的行为。内置的html.parser对我试图抓取的网页不起作用，我决定使用lxml解析器 我的Eclipse控制台上的打印结果在几秒钟内看起来很好，然后，它会自动切换到不完整、无用且不太好看的输出，所有字符之间都有空格：Python BeautifulSoup和lxml解析器的问题,python,web-scraping,beautifulsoup,lxml,Python,Web Scraping,Beautifulsoup,Lxml,我在使用Beautifulsoup4.1.0和lxml解析器抓取一些网页时注意到一个奇怪的行为。内置的html.parser对我试图抓取的网页不起作用，我决定使用lxml解析器 我的Eclipse控制台上的打印结果在几秒钟内看起来很好，然后，它会自动切换到不完整、无用且不太好看的输出，所有字符之间都有空格： ! - - S w i t c h - - >
! - - S w i t c h - - >
/ d i v >
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
我想知道你们中是否有人遇到过类似的问题，以及如何解决它。提前感谢。为了帮助人们解决这个问题，我写了一篇文章。基本上，这个问题是由lxml的HTML解析器中的一个bug引起的，该bug由HTML文档触发，该文档包含一个将字符集定义为UTF-8以外的标记 如果该文档中的建议不适用于您，请告知我。我使用了：
newsoup = str(soup).replace(" ", "")
并设法从lxml中提取出我需要的信息。使用html5lib解析器也解决了这个问题，并给了我一个清晰的打印结果。如果是这样，粘贴一些示例代码会很有帮助。谢谢Leonard。我使用的是BS4.1，lxml-3.2.1，所以步骤1和2都可以。关于步骤4，当我将ISO-8859-1字符替换为utf-8时，我得到的输出如下：