HTML与difflib的比较

Question

我希望得到可靠的差异的内容，只有(结构变化将是罕见的，因此可以忽略)的这页面。更具体地说，我需要做的唯一改变就是添加了一个新的指令ID：

​

​

为了了解difflib将产生的内容，我首先区分了两个相同的HTML内容，希望什么也得不到：

url = 'https://secure.ssa.gov/apps10/reference.nsf/instructiontypecode!openview&restricttocategory=POMT'
response = urllib.urlopen(url
content = response.read()
import difflib
d = difflib.Differ()

diffed = d.compare(content, content)

由于difflib模仿了UNIX diff实用程序，所以我希望diffed不包含任何内容(或者给出序列相同的一些指示，但是如果我使用'\n'.join diffed，则会得到类似于HTM的东西L (尽管它不会在浏览器中呈现)。

事实上，如果我以最简单的例子来区分两个字符：

diffed = d.compare('a'，'a')

diffed.next()生成以下内容：

'  a'

所以，我要么期待着不能或不会提供的东西(我应该改变策略)，要么我是在滥用它？什么是区分HTML的可行方案？

Answer 1

Differ.compare()的参数应该是字符串序列。如果使用两个字符串，则每个字符串将被视为序列，因此将按字符进行比较。

因此，您的示例应该重写为：

url = 'https://secure.ssa.gov/apps10/reference.nsf/instructiontypecode!openview&restricttocategory=POMT'
response = urllib.urlopen(url)
content = response.readlines()  # get response as list of lines
import difflib
d = difflib.Differ()

diffed = d.compare(content, content)
print('\n'.join(diffed))

如果您只想比较html文件的内容，您可能应该使用解析器来处理它，并且只获取没有标记的文本，例如使用BeautifulSoup的字符串

soup = bs4.BeautifulSoup(html_content)
diff = d.compare(list(soup.stripped_strings), list_to_compare_to)
print('\n'.join(diff))