漂亮的汤和桌子刮板-lxml与html解析器

Question

我正在尝试使用BeautifulSoup从网页中提取表格的HTML代码。

<table class="facts_label" id="facts_table">...</table>

我想知道为什么以下代码与"html.parser"一起使用，并且如果我将none更改为"html.parser"，则会打印回"lxml"。

#! /usr/bin/python

from bs4 import BeautifulSoup
from urllib import urlopen

webpage = urlopen('http://www.thewebpage.com')
soup=BeautifulSoup(webpage, "html.parser")
table = soup.find('table', {'class' : 'facts_label'})
print table

Answer 1

BeautifulSoup文档中有一个特殊的段落称为Differences between parsers，它指出：

[Beautiful Soup呈现相同的界面，但存在许多不同的解析器，但是每个解析器都是不同的。不同的解析器将创建同一文档中的不同解析树。最大的不同在HTML解析器和XML解析器之间。

在格式不正确的HTML文档中，区别变得明显。

道德是，您应该使用在特定情况下有效的解析器。

还要注意，您应该始终明确指定要使用的解析器。这将帮助您避免在不同的计算机或虚拟环境上运行代码时出现意外。

Answer 2

简短回答。

如果已经安装lxml，请使用它。

---

html.parser-BeautifulSoup(markup, "html.parser")

• 优点：包括电池，不错的速度，宽大（自Python2.7.3和3.2。）

• 缺点：不太宽容（在Python 2.7.3或3.2.2之前）

lxml-BeautifulSoup(markup, "lxml")

• 优点：非常快，宽大

• 缺点：外部C依赖性

html5lib-BeautifulSoup(markup, "html5lib")

• 优点：非常宽大，以网页浏览器的方式解析页面，创建有效的HTML5

• 缺点：非常慢，外部Python依赖项