Python 使用lxml.etree解析本地文件

我为任何不清晰的地方提前道歉（我是编程新手）。我正在尝试用lxml.etree解析一组本地文件。我使用lxml（和xpath）编写了一个解析脚本，从SEC网页中查找相关数据并导出到.csv文件。该脚本适用于单个url，但我想将其推广到数千个html页面。我已经在本地下载了所有的html文件（我使用curl获取链接，wget下载）——但是我没有成功地替换我的解析器。有效的旧版本是：

page = requests.get('url')
tree = html.fromstring(page.text)

我尝试用etree.parse替换它，以便解析本地下载到“Bullseye”目录中的文件

path = "/Users/dbk13/Desktop/SEC/bullseye"
dirs = os.listdir( path )

for files in dirs: 
    page = os.path.join(path,files)
    etree.parse(page)

我的本地文件路径有问题吗

我经常遇到这样的错误：

文件“postings\u up\u updated.py”，第26行，在 在lxml.etree.parse（src/lxml/lxml.etree.c:72421）文件“parser.pxi”中的etree.parse（第页）文件“lxml.etree.pyx”，第3299行， 第1791行，在lxml.etree.文件（src/lxml/lxml.etree.c:105883）中 lxml.etree中的文件“parser.pxi”，第1817行。\u parseDocumentFromURL （src/lxml/lxml.etree.c:106182）文件“parser.pxi”，第1721行，在 lxml.etree._parseDocFromFile（src/lxml/lxml.etree.c:105181）文件 “parser.pxi”，第1122行，在lxml.etree.\u BaseParser.\u parseDocFromFile中 （src/lxml/lxml.etree.c:100131）文件“parser.pxi”，第580行，在 lxml.etree.\u ParserContext.\u handleParseResultDoc （src/lxml/lxml.etree.c:94254）文件“parser.pxi”，第690行，在 lxml.etree.\u handleParseResult（src/lxml/lxml.etree.c:95690）文件 “parser.pxi”，第620行，在lxml.etree中。\u raiseParserError （src/lxml/lxml.etree.c:94757）lxml.etree.XMLSyntaxError:文档是 空，第1行，第1列

---

错误消息表明该文件是空的，但是，我认为更可能的情况是您试图解析一个目录，就好像它是一个文件一样。此代码生成的回溯与您显示的相同：

from lxml import etree

etree.parse('/tmp')
Traceback (most recent call last):
.
.
lxml.etree.XMLSyntaxError: Document is empty, line 1, column 1

如果“/Users/dbk13/Desktop/SEC/bullseye”中存在子目录，则可能会发生这种情况，因为

os.listdirs（）

将在返回的列表中包含子目录。如果是这种情况，您可以尝试使用以下方法检查常规文件：

---

另一点值得一提的是，您似乎正在尝试使用XML解析器解析HTML文件。这不太可能成功，因为绝大多数HTML文件不是XML，因此无法用XML解析器可靠地解析。我建议您使用

lxml.html

，但您似乎已经尝试过了。另一种可选的HTML解析器是。

空文件不是有效的XML文档！显然，在

/Users/dbk13/Desktop/SEC/bullseye

中有一个空文件。

import os

path = "/Users/dbk13/Desktop/SEC/bullseye"
dirs = os.listdir( path )

for filename in dirs:
    page = os.path.join(path, filename)
    if os.path.isfile(page):
        etree.parse(page)