解析HTML:Python中的lxml错误

Question

我正在编写一个简单的脚本来从here获取大的灰色表。在

我的代码如下：

import urllib2
from lxml import etree

html = urllib2.urlopen("http://www.afi.com/100years/movies10.aspx").read()

root = etree.XML(html)

但是我得到了一个关于最后一个陈述的错误。在

^{pr2}$

你知道我怎样才能避免这个错误吗？在

谢谢。在

Answer 1

您尝试用XML解析器解析HTML，应该使用lxml HTML解析器。在

import urllib2
from StringIO import StringIO
from lxml import etree

ufile = urllib2.urlopen("http://www.afi.com/100years/movies10.aspx")

root = etree.parse(ufile, etree.HTMLParser())

print etree.tostring(root)

Answer 2

链接到的文档不是格式正确的XHTML，因此不能使用XML解析器来加载它。在

您必须使用类似Beautiful Soup的HTML解析器。在