Python - beautifulsoup - 如何处理丢失的结束标签

Question

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

  <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代码来展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)

Answer 1

正如他们的 documentation 中所述html5lib 像 Web 浏览器一样解析文档(就像本例中的 lxml)。它会在需要时尝试通过添加/关闭标签来修复您的文档树。

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 标记，因为它们不存在于源代码中(它将尝试创建一个格式良好的文档，如之前所述)。