सुंदर सूप अप्रत्याशित अतिरिक्त रिक्त स्थान

Question

मैं सुंदर सूप के साथ एचटीएमएल दस्तावेज़ों से कुछ पाठ पकड़ने की कोशिश कर रहा हूं। मेरे लिए एक बहुत ही अव्यवस्थित मामले में, यह एक अजीब और रोचक परिणाम उत्पन्न करता है: एक निश्चित बिंदु के बाद, सूप पाठ के भीतर अतिरिक्त रिक्त स्थान से भरा होता है (एक स्थान प्रत्येक पत्र को निम्नलिखित से अलग करता है)। मैंने इसके लिए कोई कारण खोजने के लिए वेब पर खोजने की कोशिश की, लेकिन मुझे विपरीत बग के बारे में केवल कुछ खबरें मिलीं (बिल्कुल कोई जगह नहीं)।

क्या आपके पास कुछ सुझाव या इशारा है कि यह क्यों होता है, और इस समस्या को हल करने के लिए कैसे संकेत मिलता है?

यह बहुत ही बुनियादी कोड है कि मैं बनाया है:

from bs4 import BeautifulSoup 

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

और यह एक पंक्ति परिणामों से लिया, लाइन जहां इस समस्या को प्रकट करने के लिए शुरू होता है:

मूल्य = \ " ग्यूसेप labbate ogm? गैर vorremmo Nuovi uccelli chiamati lontre \ "> < इनपुट onmouseover = \" टिप ('< केंद्रों terclass = \ \' शीर्षक _ वीडियो \ \ '> < ख > जी iuseppelabbateo जी मीटर? ओ न हीं वी ओ आर आर ई मीटर मीटर ओ एन यू वी मैं यू सी सी ई एल एल मैं खो ज मैं एक मीटर एक टी मैं एल ओ एन टी आर ई <

Answer 1

मेरा मानना ​​है कि इस lxml के HTML पार्सर के साथ एक बग है। प्रयास करें:

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 

कौन सा समस्या के लिए एक समाधान नहीं है। मेरा मानना ​​है कि यह समस्या lxml 3.0 अल्फा 2 और lxml 2.3.6 में तय की गई थी, इसलिए यह जांचने योग्य हो सकता है कि आपको किसी नए संस्करण में अपग्रेड करना है या नहीं।

आप बग के बारे में अधिक जानकारी चाहते हैं, तो इसे शुरू में यहां दायर किया गया था:

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

आशा इस मदद करता है,

हेडन

Answer 2

आप html.parser रूप पार्सर निर्दिष्ट कर सकते हैं:

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

इसके अलावा आप html5 पार्सर निर्दिष्ट कर सकते हैं:

soup = BeautifulSoup(prova, 'html5') 

अभी तक html5 पार्सर स्थापित नहीं है? टर्मिनल से यह स्थापित करें:

sudo apt-get install python-html5lib 

xml पार्सर इस्तेमाल किया जा सकता (soup = BeautifulSoup(prova, 'xml')) लेकिन आप multi-valued attributesclass="foo bar" की तरह में कुछ मतभेद देख सकते हैं।