比较HTML与difflib

Question

我希望得到可靠的差异，仅内容（结构变化很少，因此可以忽略）的this页。更具体地说，我需要做的唯一更改是添加了一个新的指令ID：

为了了解difflib将产生什么，我首先区分两个相同的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UNIX diff实用程序，所以我希望diffed不包含任何内容（或者给出一些序列相同的指示，但是如果我'\n'.joindiffed，我得到something resembling HTML（尽管它不在浏览器中呈现）

事实上，如果我用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：

^{pr2}$

所以我要么期待着difflib中的一些东西，它不能或不会提供（我应该改变策略），要么是我误用了它？有什么可行的方法来区分HTML？在

Answer 1

^{}的参数应该是字符串序列。如果使用两个字符串，它们将被视为序列，因此逐个字符进行比较。在

所以你的例子应该改写为：

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，并且只获取不带标记的文本，例如使用beauthulsoup的soup.stripped_strings：

^{pr2}$