我一直在尝试使用BeautifulSoup（3.1.0.1）来解析一个html页面，其中包含大量生成html内部标记的javascript . 一个示例片段如下所示：
<html><head><body><div>
<script type='text/javascript'>
if(ii > 0) {
html += '<span id="hoverMenuPosSepId" class="hoverMenuPosSep">|</span>'
}
html +=
'<div class="hoverMenuPos" id="hoverMenuPosId" onMouseOver=\"menuOver_3821();\" ' +
'onMouseOut=\"menuOut_3821();\">';
if (children[ii].uri == location.pathname) {
html += '<a class="hiHover" href="' + children[ii].uri + '" ' + onClick + '>';
} else {
html += '<a class="hover" href="' + children[ii].uri + '" ' + onClick + '>';
}
html += children[ii].name + '</a></div>';
}
}
hp = document.getElementById("hoverpopup_3821");
hp.style.top = (parseInt(hoveritem.offsetTop) + parseInt(hoveritem.offsetHeight)) + "px";
hp.style.visibility = "Visible";
hp.innerHTML = html;
}
return false;
}
function menuOut_3821() {
timeOn_3821 = setTimeout("showSelected_3821()", 1000)
}
var timeOn_3821 = null;
function menuOver_3821() {
clearTimeout(timeOn_3821)
}
function showSelected_3821() {
showChildrenMenu_3821(
document.getElementById("flatMenuItemAnchor" + selectedPageId), selectedPageId);
}
</script>
</body>
</html>
BeautifulSoup似乎无法解决这个问题，并且在onMouseOver = ** \“** menuOver_3821（）; \”周围抱怨“格式错误的开始标记” . 它似乎尝试解析脚本块中的javascript生成的xml？！？
任何想法如何使BeautifulSoup忽略脚本标签内容？
我已经看到了使用lxml的其他建议，但不能，因为它必须在Google AppEngine上运行 .
3 回答
恢复到BeautifulSoup 3.0.7a解决了这个问题以及3.1.0.1已经窒息的许多其他html怪异问题 .
我以前遇到过这种问题，而我通常做的是用
<!--替换<script和</script>的每一次出现 . 这样，所有<script></script>标签都被注释掉了 .这样可行，但是BeautifulSoup的重点在于解析你扔给它的任何标签汤，即使它的形象非常糟糕 .