比较 HTML 和 difflib

Question

我希望获得this 页面的仅内容（结构变化很少，因此可以忽略）的可靠差异。更具体地说，我需要进行的唯一更改是添加了一个新的指令 ID：

为了了解 difflib 会产生什么，我首先对两个 相同 HTML 内容进行比较，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，我希望 diffed 不包含任何内容（或给出一些序列相同的迹象，但如果我 '\n'.join diffed ，我得到something resembling HTML，（虽然它不在浏览器中呈现）

确实，如果我采用区分两个字符的最简单情况：

diffed = d.compare('a', 'a')

diffed.next() 产生以下内容：

'  a'

所以我要么期望 difflib 提供一些它不能或不会提供的东西（我应该改变策略），还是我在滥用它？区分 HTML 的可行替代方案是什么？

Answer 1

Differ.compare() 的参数应该是字符串序列。如果您使用两个字符串，它们将被视为序列，因此逐个字符进行比较。

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只获取没有标签的文本，例如通过使用 BeautifulSoup 的 soup.stripped_strings:

soup = bs4.BeautifulSoup(html_content)
diff = d.compare(list(soup.stripped_strings), list_to_compare_to)
print('\n'.join(diff))