Python 为什么BeautifulSoup抛出这个HTMLParseError？

我原以为BeautifulSoup能够处理格式错误的文档，但当我将其发送到页面源时，打印了以下回溯：

Traceback (most recent call last):
  File "mx.py", line 7, in 
    s = BeautifulSoup(content)
  File "build\bdist.win32\egg\BeautifulSoup.py", line 1499, in __init__
  File "build\bdist.win32\egg\BeautifulSoup.py", line 1230, in __init__
  File "build\bdist.win32\egg\BeautifulSoup.py", line 1263, in _feed
  File "C:\Python26\lib\HTMLParser.py", line 108, in feed
    self.goahead(0)
  File "C:\Python26\lib\HTMLParser.py", line 150, in goahead
    k = self.parse_endtag(i)
  File "C:\Python26\lib\HTMLParser.py", line 314, in parse_endtag
    self.error("bad end tag: %r" % (rawdata[i:j],))
  File "C:\Python26\lib\HTMLParser.py", line 115, in error
    raise HTMLParseError(message, self.getpos())
HTMLParser.HTMLParseError: bad end tag: u"", at line 258, column 34

难道它不能处理这类事情吗？如果它能对付他们，我怎么能做到？如果没有，是否有一个模块可以处理格式错误的文档

---

编辑：这里有一个更新。我使用firefox将页面保存在本地，并尝试从文件内容创建一个soup对象。这就是BeautifulSoup失败的地方。如果我尝试直接从网站创建一个soup对象，它会起作用。给soup带来麻烦的文档。

以我的经验，BeautifulSoup并没有那么容错。我不得不用它编写一个小脚本，结果遇到了这些问题。我认为使用正则表达式去除标记有点帮助，但我最终还是放弃了，将脚本转移到Ruby和Nokogiri上。

根据我的经验，BeautifulSoup并没有那么容错。我不得不用它编写一个小脚本，结果遇到了这些问题。我认为使用正则表达式去除标记有点帮助，但我最终还是放弃了，将脚本转移到Ruby和Nokogiri上。

使用BeautifulSoup 3.0.7版对我来说效果很好。最新版本是3.1.0，但在BeautifulSoup主页上有一条提示，如果您遇到问题，可以尝试3.0.7a。我想我不久前遇到了与你类似的问题，然后又恢复了，这就解决了问题；我想试试

---

如果您想继续使用当前版本，我建议删除顶部的大块，因为这就是错误发生的地方，而且您无论如何都无法使用BeautifulSoup解析该部分。

使用BeautifulSoup 3.0.7版对我来说效果很好。最新版本是3.1.0，但在BeautifulSoup主页上有一条提示，如果您遇到问题，可以尝试3.0.7a。我想我不久前遇到了与你类似的问题，然后又恢复了，这就解决了问题；我想试试

---

如果您想继续使用当前版本，我建议删除顶部的大块，因为这就是错误发生的地方，而且您无论如何都无法使用BeautifulSoup解析该部分。

问题似乎是 contents=contents.replace//g； 在下一行

---

我只需要使用re.sub将所有出现的rreplace/[]/用一些无关紧要的东西进行筛选，然后再将其添加到BeautifulSoup。。。离开BeautifulSoup就像把婴儿连同洗澡水一起扔掉一样。

问题似乎在于 contents=contents.replace//g； 在下一行

---

我只需要使用re.sub将所有出现的rreplace/[]/用一些无关紧要的东西进行筛选，然后再将其添加到BeautifulSoup。。。离开BeautifulSoup就像把婴儿连同洗澡水一起扔掉一样。

你能给我们看一下文件吗？BeautifulSoup通常非常擅长处理这个问题，尽管错误显示它的HTMLPasser阻塞了。您能给我们看一下文档吗？BeautifulSoup通常非常擅长处理这个问题，尽管错误显示它的HTMLPasser令人窒息。是的，它将接受你对它的任何攻击。使用lxml，它远远优于BeautifulSoup，而且速度更快。它处理坏的HTML。我认为这个评论已经过时了；看起来BS使用的是lxml，Beautiful Soup位于lxml和html5lib等流行Python解析器之上，允许您尝试不同的解析策略，或以速度换取灵活性。是的，它需要您投入的一切。使用lxml，它远远优于BeautifulSoup，而且速度更快。它处理坏的HTML。我认为这个评论已经过时了；看起来BS使用的是lxml，BeautifulSoup位于流行的Python解析器（如lxml和html5lib）之上，允许您尝试不同的解析策略或以速度换取灵活性。问题在于你所说的那一行的正则表达式。它应该是用而不是，或者更好的是，放在它自己的.js文件中编写的，但它不是。HTMLParser似乎无法处理它，而BeautifulSoup 3.0.7中的SGMLParser可以处理它。今天，您应该查看BeautifulSoup 3.2.0版，这是最好的选择。。。根据作者的说法，几乎所有人都是如此。它为我修复了3.1.0中的类似问题，并通过常见的pip/easy_install.Seconding提供。问题在于你所说的那一行的正则表达式。它应该是用而不是，或者更好的是，放在它自己的.js文件中编写的，但它不是。HTMLParser似乎无法处理它，而BeautifulSoup 3.0.7中的SGMLParser可以处理它。今天，您应该查看BeautifulSoup 3.2.0版，这是最好的选择。。。根据作者的说法，几乎所有人都是如此。它为我修复了3.1.0中的类似问题，并可通过通常的pip/easy_安装获得。