Python: Parsing SGML

我试图在Python中解析一些SGML，如以下所示:

<!DOCTYPE lewis SYSTEM "lewis.dtd">
<TEXT>
    <TITLE>One</TITLE>
    <BODY>Sample One</BODY>
</TEXT>
<TEXT>
    <TITLE>Two</TITLE>
    <BODY>Sample Two</BODY>
</TEXT>

在这里，我只是寻找<BODY>标签内的所有内容(即["Sample One", "Sample Two"])。

我试过使用BeautifulSoup，但它不喜欢第一行的<!DOCTYPE>，也希望一切都像<everything></everything>一样围绕根标签。虽然我可以在将其传递到BeautifulSoup之前手动进行这些更改，但感觉有点太粗糙了。

我对SGML很陌生，也没有嫁给BeautifulSoup，所以我愿意接受任何建议。

(对于那些好奇的人:我的具体用例是reuters21578数据集)

您可以尝试使用'html.parser'而不是lxml-xml作为解析器。lxml-xml期望文本是正确的xml，但事实并非如此。

例子/演示-

>>> from bs4 import BeautifulSoup
>>> s = """<!DOCTYPE lewis SYSTEM "lewis.dtd">
... <TEXT>
...     <TITLE>One</TITLE>
...     <BODY>Sample One</BODY>
... </TEXT>
... <TEXT>
...     <TITLE>Two</TITLE>
...     <BODY>Sample Two</BODY>
... </TEXT>"""
>>> soup = BeautifulSoup(s,'html.parser')
>>> soup.find_all('body')
[<body>Sample One</body>, <body>Sample Two</body>]

相关内容

最新更新

热门标签：