Python-BeautifulSoup-如何处理缺少的结束标记

小编典典

Python-BeautifulSoup-如何处理缺少的结束标记

python

我想使用beautifulsoup从html代码中抓取表格。html的片段如下所示。使用时，table.findAll('tr')我会得到整个表，而不仅仅是行。（可能是因为html代码中缺少了结束标记？）

  <TABLE COLS=9 BORDER=0 CELLSPACING=3 CELLPADDING=0>
  <TR><TD><B>Artikelbezeichnung</B>
  <TD><B>Anbieter</B>
  <TD><B>Menge</B>
  <TD><B>Taxe-EK</B>
  <TD><B>Taxe-VK</B>
  <TD><B>Empf.-VK</B>
  <TD><B>FB</B>
  <TD><B>PZN</B>
  <TD><B>Nachfolge</B>

  <TR><TD>ACTIQ 200 Mikrogramm Lutschtabl.m.integr.Appl.
  <TD>Orifarm
  <TD ID=R>     30 St
  <TD ID=R>  266,67
  <TD ID=R>  336,98
  <TD>&nbsp;
  <TD>&nbsp;
  <TD>12516714
  <TD>&nbsp;

  </TABLE>

这是我的python代码，以显示我正在努力解决的问题：

     soup = BeautifulSoup(data, "html.parser")
     table = soup.findAll("table")[0]
     rows = table.find_all('tr')
     for tr in rows:
         print(tr.text)

阅读 218

2021-01-20

共1个答案

小编典典

如他们的文档
所述，该文档的html5lib解析方式与网络浏览器一样（lxml在这种情况下，类似于）。在需要时，它将尝试通过添加/关闭标签来修复文档树。

在您的示例中，我使用lxml作为解析器，它给出了以下结果：

soup = BeautifulSoup(data, "lxml")
table = soup.findAll("table")[0]
rows = table.find_all('tr')
for tr in rows:
    print(tr.get_text(strip=True))

请注意，lxml添加了html和body标签，因为它们不在源中（它会尝试按照先前的状态创建格式正确的文档）。

2021-01-20