python - 将 url 中的 txt 文件读取到 BeautifulSOUP 中

Question

我有一些 txt 文件的 url 地址，其中包含 html 代码。这是一个示例链接:

http://www.sec.gov/Archives/edgar/data/70858/000119312507058027/0001193125-07-058027.txt

我想用 BeautifulSoup 阅读这个 html 代码，代码如下:

from bs4 import BeautifulSoup
import urllib2 

url =    "http://www.sec.gov/Archives/edgar/data/70858/000119312507058027/0001193125-07-058027.txt"
page = urllib2.urlopen(url)
soup = BeautifulSoup(page.read())
print (soup.prettify())

但是，我遇到了很多错误，例如:

File "C:/Users/.../aa.py", line 7, in <module> print (soup.prettify()) File "build\bdist.win32\egg\bs4\element.py", line 1097, in prettify return self.decode(True, formatter=formatter)

我怀疑会发生这种情况，因为 url 是 txt 文件而不是 html。我对吗？如果是这样，有人可以告诉我这里的解决方案是什么吗？

Answer 1

您可以尝试将文本文件的 HTML 部分(来自标签)输入到 Beautiful soup 中，我想它会崩溃，因为文本文件的开头不包含任何 HTML。