Python:解析SGML
Python:解析SGML
提问于 2015-07-29 15:59:14
我正在尝试用Python解析一些SGML，如下所示：
<!DOCTYPE lewis SYSTEM "lewis.dtd">
<TEXT>
<TITLE>One</TITLE>
<BODY>Sample One</BODY>
</TEXT>
<TEXT>
<TITLE>Two</TITLE>
<BODY>Sample Two</BODY>
</TEXT>在这里，我只是查找<BODY>标记(即["Sample One", "Sample Two"])中的所有内容。
我尝试过使用BeautifulSoup，但它不像第一行中的<!DOCTYPE>，而且还希望所有内容都包装在根标记(如<everything></everything> )周围。虽然我可以在将其传递到BeautifulSoup之前手动进行这些更改，但它感觉有点太老套了。
我对SGML非常陌生，也没有和BeautifulSoup结婚，所以我对任何建议都持开放态度。
(对于那些好奇的人:我的特定用例是reuters21578数据集。)
回答 1
Stack Overflow用户
发布于 2015-07-29 16:06:23
您可以尝试使用'html.parser'而不是lxml-xml作为解析器。lxml-xml期望文本是正确的xml，但事实并非如此。
示例/演示-
>>> from bs4 import BeautifulSoup
>>> s = """<!DOCTYPE lewis SYSTEM "lewis.dtd">
... <TEXT>
... <TITLE>One</TITLE>
... <BODY>Sample One</BODY>
... </TEXT>
... <TEXT>
... <TITLE>Two</TITLE>
... <BODY>Sample Two</BODY>
... </TEXT>"""
>>> soup = BeautifulSoup(s,'html.parser')
>>> soup.find_all('body')
[<body>Sample One</body>, <body>Sample Two</body>]页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/31694553
复制相关文章
相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号