BeautifulSoup 格式错误的开始标签？

Question

我正在尝试将 Wordpress XML 转换为 Octopress，部分使用 BeautifulSoup 进行迁移。

当我运行 exitwp 时，我得到以下输出：

writing......................................................Traceback (most recent call last):


File "exitwp.py", line 293, in <module>
    write_jekyll(data, target_format)
  File "exitwp.py", line 284, in write_jekyll
    out.write(html2fmt(i['body'], target_format))
  File "exitwp.py", line 45, in html2fmt
    return html2text(html, '')
  File "/Users/kevinquillen/Documents/workspace/exitwp2/html2text.py", line 700, in html2text
    return optwrap(html2text_file(html, None, baseurl))
  File "/Users/kevinquillen/Documents/workspace/exitwp2/html2text.py", line 695, in html2text_file
    h.feed(html)
  File "/Users/kevinquillen/Documents/workspace/exitwp2/html2text.py", line 285, in feed
    HTMLParser.HTMLParser.feed(self, data)
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/HTMLParser.py", line 108, in feed
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/HTMLParser.py", line 148, in goahead
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/HTMLParser.py", line 229, in parse_starttag
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/HTMLParser.py", line 304, in check_for_whole_start_tag
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/HTMLParser.py", line 115, in error
HTMLParser.HTMLParseError: malformed start tag, at line 1, column 64

我尝试使用 BeautifulSoup 3.2.0 和 3.0.7a，但运气不佳。

我还尝试在帖子上导出不同的日期范围，但在第 1 行仍然出现相同的错误，但列号发生了变化。

我唯一能想到的是一些较旧的帖子中有 AdSense 代码，但除此之外，我怎样才能轻松地找出它在帖子内容上的阻塞位置？

OSX 10.7 上的 Python 2.7 版

编辑：也发生在没有错误标记的页面转储（只有 2 页）上。

更新：它似乎不喜欢锚标签。如下所示的标记，内容中非常基本的链接。删除它们，它编译正确。为什么它不喜欢这个 HTML？删除它们会导致它编译没有错误。

<a href="http://www.google.com" target="_blank">Google</a>

Answer 1

像这样修改你的代码（在 html2text.py 中）：

try:
    HTMLParser.HTMLParser.feed(self, data)
except:
    print 'malformed data: %r' % data
    raise

我猜你会看到，“数据”包含一些奇怪的东西。如果没有，请将数据添加到您的问题中。