ошибка в теге начала красивого супа - PullRequest
Новая
       7

ошибка в теге начала красивого супа

0 голосов
/ 08 марта 2011 
>>> soup = BeautifulSoup( data )
    Traceback (most recent call last):
      File "<stdin>", line 1, in <module>
      File "/usr/lib/pymodules/python2.6/BeautifulSoup.py", line 1499, in __init__
        BeautifulStoneSoup.__init__(self, *args, **kwargs)
      File "/usr/lib/pymodules/python2.6/BeautifulSoup.py", line 1230, in __init__
        self._feed(isHTML=isHTML)
      File "/usr/lib/pymodules/python2.6/BeautifulSoup.py", line 1263, in _feed
        self.builder.feed(markup)
      File "/usr/lib/python2.6/HTMLParser.py", line 108, in feed
        self.goahead(0)
      File "/usr/lib/python2.6/HTMLParser.py", line 148, in goahead
        k = self.parse_starttag(i)
      File "/usr/lib/python2.6/HTMLParser.py", line 226, in parse_starttag
        endpos = self.check_for_whole_start_tag(i)
      File "/usr/lib/python2.6/HTMLParser.py", line 301, in check_for_whole_start_tag
        self.error("malformed start tag")
      File "/usr/lib/python2.6/HTMLParser.py", line 115, in error
        raise HTMLParseError(message, self.getpos())
    HTMLParser.HTMLParseError: malformed start tag, at line 5518, column 822



>>> for each in l[5515:5520]:
...     print each
... 
<script>

  registerImage("original_image", "http://ecx.images-amazon.com/images/I/41h7uHc1jmL._SL500_AA240_.jpg","<a href="+'"'+"http://www.amazon.com/gp/product/images/1592406017/ref=dp_image_0?ie=UTF8&n=283155&s=books"+'"'+" target="+'"'+"AmazonHelp"+'"'+" onclick="+'"'+"return amz_js_PopWin(this.href,'AmazonHelp','width=700,height=600,resizable=1,scrollbars=1,toolbar=0,status=1');"+'"'+"  ><img onload="+'"'+"if (typeof uet == 'function') { uet('af'); }"+'"'+" src="+'"'+"http://ecx.images-amazon.com/images/I/41h7uHc1jmL._SL500_AA240_.jpg"+'"'+" id="+'"'+"prodImage"+'"'+"  width="+'"'+"240"+'"'+" height="+'"'+"240"+'"'+"   border="+'"'+"0"+'"'+" alt="+'"'+"Life, on the Line: A Chef's Story of Chasing Greatness, Facing Death, and Redefining the Way We Eat"+'"'+" onmouseover="+'"'+""+'"'+" /></a>", "<br /><a href="+'"'+"http://www.amazon.com/gp/product/images/1592406017/ref=dp_image_text_0?ie=UTF8&n=283155&s=books"+'"'+" target="+'"'+"AmazonHelp"+'"'+" onclick="+'"'+"return amz_js_PopWin(this.href,'AmazonHelp','width=700,height=600,resizable=1,scrollbars=1,toolbar=0,status=1');"+'"'+"  >See larger image</a>", "");
  var ivStrings = new Object();
</script>
>>> 
>>> l[5518-1][822]
'h'
>>>

Примечание: использование Python 2.6.5 в Ubuntu 10.04

Разве BeutifulSoup не должен игнорировать теги скрипта?
Не могу найти выход из этого: (
какие-либо предложения ??

Ответы [ 2 ]

2 голосов
/ 08 марта 2011

Pyparsing имеет некоторую поддержку HTML-тегов, которая делает скрипты более надежными, чем простые RE.И поскольку он не пытается анализировать / обрабатывать все тело HTML, а просто ищет совпадающие строковые выражения, он может обрабатывать плохо сформированный HTML: 

html = """<script>    
registerImage("original_image", 
"this is a closing </script> tag in quotes"
etc....
</script>
"""

# code to strip <script> tags from an HTML page
from pyparsing import makeHTMLTags,SkipTo,quotedString

script,scriptEnd = makeHTMLTags("script")
scriptBody = script + SkipTo(scriptEnd, ignore=quotedString) + scriptEnd

descriptedHtml = scriptBody.suppress().transformString(html)

В зависимости от того, какой тип HTML-кода вы используетечтобы сделать, вы могли бы сделать все это с помощью pyparsing.

0 голосов
/ 08 марта 2011

Когда я часто нажимаю на теги сценария в BeautifulSoup, я преобразую объект-суппорт обратно в строку, удаляю оскорбительные данные и затем повторно вырабатываю данные. Работает, когда вам нет дела до данных.

...