我正在尝试使用他们的事件驱动解析,documented here .使用较小的设置文件对其进行测试效果很好:
>>> settings = open('S:\\Documents\\FacebookData\\html\\settings.htm')
>>> for event, element in ET.iterparse(settings, events=("start", "end")):
print("%5s, %4s, %s" % (event, element.tag, element.text))
成功打印出元素。然而,在实际编码过程开始之前,将相同的代码与“messages.htm”而不是“settings.htm”一起使用只是为了查看它是否工作,结果如下:
Traceback (most recent call last):
File "<pyshell#16>", line 1, in <module>
for event, element in ET.iterparse(source, events=("start", "end")):
File "C:\Program Files (x86)\Python\lib\xml\etree\ElementTree.py", line 1294, in __next__
for event in self._parser.read_events():
File "C:\Program Files (x86)\Python\lib\xml\etree\ElementTree.py", line 1277, in read_events
raise event
File "C:\Program Files (x86)\Python\lib\xml\etree\ElementTree.py", line 1235, in feed
self._parser.feed(data)
File "<string>", line None
xml.etree.ElementTree.ParseError: not well-formed (invalid token): line 1, column 6
我想知道这是不是因为 ET 更适合解析 XML 文档?如果是这种情况,并且没有解决方法,那么我回到原点。非常感谢任何有关如何解析此文件以及如何调试的建议!
最佳答案
解析 HTML 或 XML 的一个很好的解决方案是 lxml
和 xpath
。
要使用 xpath:
from lxml import etree
data = open('result.html','r').read()
doc = etree.HTML(data)
for tr in doc.xpath('//table/tr[@class="trmenu1"]'):
print tr.xpath('./td/text()')
关于python - 使用 Python(ElementTree?)解析非常大的 HTML 文件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/31225193/