Web数据抓取经验分享：如何使抓取的HTML规范化

在数据采集时，处理不规范的HTML页面是件令人头疼的事。因为不规范的HTML页面往往会引起xpath解析失败，造成得不到正确的数据。

了解Firebug的人都知道，它的HTML视图下有一个巧妙的功能，能够自动修复不规范的HTML，以规范的形式展现。

例如，如下的一个不规范的HTML页面：


 
 

name	age
redice	25

 
我们看一下它在Firebug下的显示内容：
 
 
有没有能实现类似Firebug这种规范化HTML的Python库呢？
 
有。经过查找、测试，最终发现PyTidyLib库可以很好地实现这个功能。
 

 
下面是PyTidyLib库的一个测试：
 
>>> html = open('c:/html_invalid.html').read()
>>> print html

name	age
redice	25

>>> from tidylib import tidy_document
>>> document, errors = tidy_document(html)
>>> print document
    "">

 
   
 
 
   
     
       
       
     
     
       
       
     
   

name	age
redice	25