BeautifulSoup beklenmedik fazladan boşluk döndürüyor

Question

BeautifulSoup ile html belgelerinden bazı metinler almaya çalışıyorum. Benim için çok nazik bir durumda, bu garip ve ilginç bir sonuç ortaya çıkarır: belirli bir noktadan sonra, çorba metin içinde fazladan boşluklarla doludur (bir alan aşağıdakilerden her harfi ayırır). Bunun için bir neden bulmak için web'de arama yapmaya çalıştım, ancak karşıdaki hata hakkında sadece bazı haberlerle karşılaştım (hiç boşluk yok).

bazı önerim var veya bu olur neden ipucu mı ve nasıl bu sorunu çözmek için ?.

Bu i yarattı çok temel kodudur:

from bs4 import BeautifulSoup 

import urllib2 
html = urllib2.urlopen("http://www.beppegrillo.it") 
prova = html.read() 
soup = BeautifulSoup(prova) 
print soup 

Ve bu, bu sorunun görünmeye başlar sonuçlarından alınan bir çizgi, çizgi:

değeri = \" Giuseppe LABBATE ogm? olmayan vorremmo nuovi uccelli chiamati lontre \ "> < giriş onmouseover = \" Uç (' < cen terclass = \ \ 'başlık _ Video \ \' > <b> G iuseppelabbateo g m? o n o n v o r r e m a y u v u C C l l I c h i m t, i l o n tr e <

Answer 1

Bu LXML HTML ayrıştırıcı bir hata olduğunu düşünüyoruz. Dene:

from bs4 import BeautifulSoup 

import urllib2 
html = urllib2.urlopen ("http://www.beppegrillo.it") 
prova = html.read() 
soup = BeautifulSoup(prova.replace('ISO-8859-1', 'utf-8')) 
print soup 

soruna geçici bir çözüm değildir. Sorunun lxml 3.0 alpha 2 ve lxml 2.3.6'da çözüldüğüne inanıyorum, bu yüzden daha yeni bir sürüme yükseltmeniz gerekip gerekmediğini kontrol etmek faydalı olabilir. vericiyi fazla bilgi istiyorsanız

başlangıçta burada açılmıştı: Bu yardımcı olur

https://bugs.launchpad.net/beautifulsoup/+bug/972466

Umut,

Hayden

Sen html.parser olarak ayrıştırıcı belirtebilirsiniz

Answer 2

:

Ayrıca,

soup = BeautifulSoup(prova, 'html.parser') 

Ayrıca Eğer html5 ayrıştırıcı belirtebilirsiniz:

henüz html5 ayrıştırıcı yüklü mı

soup = BeautifulSoup(prova, 'html5') 

? terminalden kurun:

sudo apt-get install python-html5lib 

xml ayrıştırıcı kullanılabilir (soup = BeautifulSoup(prova, 'xml')) ancak class="foo bar" gibi multi-valued attributes bazı farklılıklar görebilirsiniz.