为什么lxml有时（但不常见）在Python中吐出错误？

Question

我经常lxml在Python中使用模块从某些网站上抓取数据，并且我对模块总体上感到满意。但是，当我尝试抓取时，有时会lxml.etree.XMLSyntaxError: AttValue: " or ' expected在etree.fromstring()通话中遇到错误，但通常不会发生。我无法弄清楚我经常看到该错误，但是我认为每千次甚至上万次，我都会遇到该错误。当错误发生并且脚本停止后立即运行完全相同的脚本时，我看不到错误，并且脚本运行正常。为什么会吐出偶尔的错误？有什么办法可以解决这个问题？实例化urllib2.urlopen（）函数时，我也遇到类似的问题，但是由于urllib2最近没有看到该错误，因此我现在无法编写确切的错误消息。

Answer 1

网站是用（通常是无效的）HTML而不是XML编写的。您不应该将HTML视为XML。

使用lxml的HTML解析器，您的问题应该消失了：

import urllib2

from lxml import etree

parser = etree.HTMLParser()

tree = etree.parse(urllib2.urlopen(url), parser)

如果您发现在尝试读取无效的HTML时lxml仍然阻塞，那么您将不得不找到一个更宽松的解析器。html5libBeautifulSoup的使用是Python中最宽松（也是最慢）的HTML解析器：

from bs4 import BeautifulSoup

soup = BeautifulSoup(urllib2.urlopen(url), 'html5lib')

Answer 2

我还遇到一个问题，即lxmliterparse()有时会AttValue: ' expected以非常不可预测的模式抛出。我知道我要发送的XML是有效的，并且重新运行相同的脚本通常会使它工作（或者在完全不同的地方失败）。

最后，我设法创建了一个可以重新运行的测试用例，它会立即完成或AttValue在看似随机的结果中引发错误。这是我做错的事情：

我输入的iterparse()是我自己编写的类似文件的对象（我正在处理来自请求的HTTP响应流，但必须先将其解压缩）。编写read()方法时，我作弊并忽略了size参数。相反，我只是解压缩一块固定大小的压缩字节，然后返回解压缩后的字节序列，通常比32k lxml请求要多得多！
我怀疑这会导致lxml内部某个地方的缓冲区溢出，从而导致上述问题。一旦我停止返回比lxml请求的字节更多的字节，这些随机错误就会消失。