0
我也明白,传统上他们说LXML比BeautifulSoup严格,不过,我不明白的是以下几点:LXML解析HTML返回空的结果,而beautifulsoup返回合理的解析
(基本上我请求网页,在中国,并希望选择一些跨度。类似网页可以在没有错误的工作,但对于一些链接限于lxml只是无法解析)
In [1]: headers = {'User-Agent': ''}
In [2]: url = 'http://basic.10jqka.com.cn/600219/company.html'
In [3]: headers = {'User-Agent': 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:46.0) Gecko/20100101 Firefox/46.0'}
In [6]: import lxml.html
In [7]: res = requests.get(url, headers=headers)
In [8]: tree = lxml.html.fromstring(res.content)
---------------------------------------------------------------------------
ParserError Traceback (most recent call last)
<ipython-input-8-b512dc78ed68> in <module>()
----> 1 tree = lxml.html.fromstring(res.content)
/home/jgu/repos/.venv36/lib/python3.6/site-packages/lxml/html/__init__.py in fromstring(html, base_url, parser, **kw)
874 else:
875 is_full_html = _looks_like_full_html_unicode(html)
--> 876 doc = document_fromstring(html, parser=parser, base_url=base_url, **kw)
877 if is_full_html:
878 return doc
/home/jgu/repos/.venv36/lib/python3.6/site-packages/lxml/html/__init__.py in document_fromstring(html, parser, ensure_head_body, **kw)
763 if value is None:
764 raise etree.ParserError(
--> 765 'Document is empty')
766 if ensure_head_body and value.find('head') is None:
767 value.insert(0, Element('head'))
ParserError: Document is empty
In [12]: from bs4 import BeautifulSoup
In [13]: soup = BeautifulSoup(res.content, 'html.parser')
In [14]: soup.title
Out[14]: <title>南山铝业(600219) 公司资料_F10_同花顺金融服务网</title>
In [15]: sel_query = (
...: '#detail > div.bd > table > tbody > tr:nth-of-type(1) > '
...: 'td:nth-of-type(2) > span'
...:)
In [16]: soup.select(sel_query)
Out[16]: [<span>山东南山铝业股份有限公司</span>]
In [17]: soup.select(sel_query)[0].text
Out[17]: '山东南山铝业股份有限公司'
正如我刚才所说,像http://basic.10jqka.com.cn/600000/company.html链接不工作。
因此,当解析结果为空时,我可以回退到bs4,但我想了解为什么lxml只是无法从源代码中解析合理的dom树。谢谢
我正在使用Python 2.我编辑了我的问题 –
您是否指一些页面在两个解析器上工作,某些页面只能在'bs'上工作? – stamaimer
是的。许多链接lxml只是工作,但它失败了一些例子,并没有返回 –