我在用BeautifulSoup解析一堆可能非常脏的HTML文件。我偶然发现了一件非常奇怪的事情。
HTML 来自这个页面：http://www.wvdnr.gov/ http://www.wvdnr.gov/
它包含多个错误，例如多个<html></html>, <title>之外的<head>, etc...
然而，即使在这些情况下，html5lib 通常也能很好地工作。事实上，当我这样做时：
soup = BeautifulSoup(document, "html5lib")
我漂亮地打印soup，我看到以下输出：http://pastebin.com/8BKapx88 http://pastebin.com/8BKapx88
其中包含很多<a> tags.
然而，当我这样做时soup.find_all("a")我得到一个空列表。和lxml我也得到同样的结果。
那么：以前有人偶然发现过这个问题吗？到底是怎么回事？我如何获得链接html5lib找到但没有返回find_all?
即使正确的答案是“使用另一个解析器”（感谢@alecxe），我还有另一个解决方法。出于某种原因，这也有效：
soup = BeautifulSoup(document, "html5lib")
soup = BeautifulSoup(soup.prettify(), "html5lib")
print soup.find_all('a')
它返回相同的链接列表：
soup = BeautifulSoup(document, "html.parser")
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
