Python - 使用 Tidy 进行 HTML 解析
这段代码使用了一些糟糕的 html，使用 Tidy 库来清理它，然后将其传递给 HtmlLib.Reader()。
import tidy
options = dict(output_xhtml=1,
add_xml_decl=1,
indent=1,
tidy_mark=0)
from xml.dom.ext.reader import HtmlLib
reader = HtmlLib.Reader()
doc = reader.fromString(tidy.parseString("<Html>Bad Html.", **options))
看来，我没有使用正确的类型传递 fromString 与此 Traceback：
Traceback (most recent call last):
File "getComicEmbed.py", line 33, in <module>
doc = reader.fromString(tidy.parseString("<Html>Bad Html.</b>", **options))
File "C:\Python26\lib\site-packages\_xmlplus\dom\ext\reader\HtmlLib.py", line 67, in fromString
stream = reader.StrStream(str)
File "C:\Python26\lib\site-packages\_xmlplus\dom\ext\reader\__init__.py", line 24, in StrStream
return cStringIO.StringIO(st)
TypeError: expected read buffer, _Document found
我应该做些什么不同的事情？谢谢！
This code takes a bit of bad html, uses the Tidy library to clean it up and then passes it to an HtmlLib.Reader().
import tidy
options = dict(output_xhtml=1,
add_xml_decl=1,
indent=1,
tidy_mark=0)
from xml.dom.ext.reader import HtmlLib
reader = HtmlLib.Reader()
doc = reader.fromString(tidy.parseString("<Html>Bad Html.", **options))
I'm not passing fromString with the right type, it seems, with this Traceback:
Traceback (most recent call last):
File "getComicEmbed.py", line 33, in <module>
doc = reader.fromString(tidy.parseString("<Html>Bad Html.</b>", **options))
File "C:\Python26\lib\site-packages\_xmlplus\dom\ext\reader\HtmlLib.py", line 67, in fromString
stream = reader.StrStream(str)
File "C:\Python26\lib\site-packages\_xmlplus\dom\ext\reader\__init__.py", line 24, in StrStream
return cStringIO.StringIO(st)
TypeError: expected read buffer, _Document found
What should I do differently? Thanks!
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
发布评论
评论（2）
策马西风2024-10-05 02:40:56
我还没有使用过 Python tidy 模块，并且不确定如何找到它，但看起来您需要对 的结果调用 将解析后的文档转换回 XHTML。toString 之类的东西>tidy.fromString
对于不同的方法，您可以考虑使用 lxml.html，它擅长解析损坏的标记，并为您提供了一个很棒的 ElementTree API 来处理结果。它还可以漂亮地打印 *ML，这使其成为 tidy 的超集，尽管可能不具有导航不连贯标记的相同能力。
另外：lxml 是用 C 编写的（实际上，就像 python tidy 模块一样，只是包装了一个 C 库），因此它比其他一些处理 XML 的 Python 模块要快得多。
~没有更多了~
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
tidy 的
parseString函数返回一个_Document实例，该实例实现__str__但不是缓冲区接口。因此，HtmlLib.Reader().fromString无法从中创建StringIO对象。这应该相当简单，更改
为：
tidy's
parseStringfunction returns a_Documentinstance which implements__str__but not a buffer interface. ThereforeHtmlLib.Reader().fromStringcannot create aStringIOobject out of it.This should be fairly simple, change:
to