【发布时间】：2015-02-04 20:53:45
【问题描述】：
我有一些指向 txt 文件的 url 地址，该文件包含 html 代码。这是一个示例链接：
http://www.sec.gov/Archives/edgar/data/70858/000119312507058027/0001193125-07-058027.txt
我想用BeautifulSoup用这样的代码阅读这段html代码：
from bs4 import BeautifulSoup
import urllib2
url = "http://www.sec.gov/Archives/edgar/data/70858/000119312507058027/0001193125-07-058027.txt"
page = urllib2.urlopen(url)
soup = BeautifulSoup(page.read())
print (soup.prettify())
但是，我遇到了很多错误，例如：
File "C:/Users/.../aa.py", line 7, in <module> print (soup.prettify())
File "build\bdist.win32\egg\bs4\element.py", line 1097, in prettify
return self.decode(True, formatter=formatter)
我怀疑会发生这种情况，因为 URL 是 txt 文件而不是 html。我对吗？如果是这样，有人可以告诉我这里的解决方案是什么吗？
【问题讨论】：
-
你是对的。 BeautifulSoup 专门用于处理 html 和 xml 文件。如果您只想要纯文本，那应该位于您称为
page的变量中。尝试print page确认您想要的文字在那里。 -
非常感谢@eigenchris！是的，页面在那里，但是因为我想从那种代码中提取一些表，所以我需要以某种方式将它放入 bs。你对此有什么建议吗？
-
您可以删除不在
<html>和</html>标签之间的所有内容。从那里你会有一个有效的 html 文件，你可以用 BeautifulSoup 解析。
标签： python beautifulsoup