Python 如何构建html5lib解析器来处理XML和HTML标记的混合？

我正在尝试使用BeautifulSoup解析一个HTML文件，该文件由从LexisNexis（法律数据库）批量下载的许多单独文档组成

• 我的第一个任务是将HTML文件拆分为其组成文档。我认为这会很容易，因为文档被第一个文档的

  正文所包围，依此类推
  
  

• 但是，此标记是XML标记，而不是HTML标记（文件中的所有其他标记都是HTML）。因此，对于常规HTML解析器，此标记在树中不可用

• 如何在bs4中构建一个解析器来提取这个XML标记？ 我附上HTML文件的相关部分：

  BODY

---

实例化BeautifulSoup对象时，可以在bs4中指定xml：

xml_soup = BeautifulSoup(xml_object, 'xml')

这会解决你的问题。您可以使用

xml\u soup

对象来解析剩余的html，但是我建议为html专门实例化另一个soup对象：

soup = BeautifulSoup(html_object)

---

谢谢！所以我试过了，但我认为它不能正确处理它。如果我尝试xml_soup（“doc”），则不会返回任何内容，如果我尝试打印（xml_soup.prettify），则会得到一长行文件“/usr/local/lib/python2.7/site packages/bs4/element.py”，第1021行，在解码缩进内容、最终的_编码、格式化程序）文件“/usr/local/lib/python2.7/site packages/bs4/element.py”，第1068行，在decode_中，内容最终被：RuntimeError:调用Python对象时超出了最大递归深度，因此不应发生递归错误。这可能是bs4中的一个错误，如果您想使用BeautifulSoup3，那么您可以使用bs3的BeautifulStoneSoup，而不是执行

xml\u-soup=BeautifulSoup（xml\u-object，'xml'）

。安装bs3后，执行以下操作：

从BeautifulSoup导入BeautifulStoneSoup

然后

xml\u soup=BeautifulStoneSoup（xml\u对象）