こんにちは、XML ファイルのスクレイピングに取り組んでいます。HTML には Scrapy を使用し、XML には を使用して解析することにしましたxml.sax。
以下は、私の疑いを確認するためのコード例です（実際の例として扱わないでください） ：
from xml.sax.handler import ContentHandler
import xml.sax
xmlFilePath = 'users/documents/jobstext.xml'
try:
parser = xml.sax.make_parser( )
parser.parse(open(xmlFilePath))
except (xml.sax.SAXParseException), e:
print "*** PARSER error: %s" % e
print e,"What is the error actually >>>>"
以下はXML コードです。
<?xml version="1.0" encoding="utf-8"?>
<jobs>
<reader><![CDATA[Identity Group]]></reader>
<readerUrl><![CDATA[http://www.example.com]]></readerUrl>
<job>
<title><![CDATA[Architect - OT]]></title>
<category><![CDATA[LTC/SNF]]></category>
<jobId><![CDATA[139693]]></jobId>
<specialization><![CDATA[LTC/SNF]]></specialization>
<positionType><![CDATA[Travel]]></positionType>
<description><![CDATA[<DIV>OT needed for a SNF in Oregon. Oregon is a dramatic land of many changes. From the rugged Oregon seacoast, the high mountain passes of the country for Travel Allied Professionals and Travel Nurses. Our clients are among the most prestigious healthcare facilities in the country.</DIV>
<DIV> </DIV>
</description>
<P style="MARGIN: 0in 0in 0pt" class=MsoNormal><FONT size=3><SPAN style="FONT-FAMILY: Symbol; COLOR: black; mso-ascii-font-family: 'Times New Roman'">�</SPAN><SPAN style="COLOR: black"><FONT face="Times New Roman"><SPAN style="mso-spacerun: yes"> </SPAN>Position will manage 24 ED Rooms with 24/7 accountability<o:p></o:p></FONT></SPAN></FONT></P>
<P style="MARGIN: 0in 0in 0pt" class=MsoNormal><FONT size=3><SPAN style="FONT-FAMILY: Symbol; COLOR: black; mso-ascii-font-family: 'Times New Roman'">�</SPAN><SPAN style="COLOR: black"><FONT face="Times New Roman"> <SPAN style="mso-spacerun: yes"> </SPAN>55 FTEs <o:p></o:p></FONT></SPAN></FONT></P>
</job>
</jobs>
結果：
*** PARSER error: users/documents/jobstext.xml:13:150: not well-formed <invalid token>
users/documents/jobstext.xml:13:150: not well-formed <invalid token> What is the error actually >>>>
実行が<p>タグとインデックス 150 に達し、無効なトークンのエラーが表示されるとどうなりますか? ?上記のエラーでこれを見ることができるように、私はタグのためにこれを期待しています。
not well-formed <invalid token>xml 解析でこのエラーを解決する方法を教えてください。
間違った形式で説明した場合は申し訳ありませんが、コンセプトをうまく説明できれば幸いです。
編集されたコード:
<P class=MsoNormal style="MARGIN: 0in 0in 0pt"><SPAN style="FONT-SIZE: 10pt; COLOR: black; FONT-FAMILY: Arial">THE MOST COMPETITIVE RATES IN NM .....<o:p></o:p></SPAN></P>
<P class=MsoNormal style="MARGIN: 0in 0in 0pt"><SPAN style="FONT-SIZE: 10pt; COLOR: black; FONT-FAMILY: Arial">Busy <?xml:namespace prefix = st1 ns = "urn:schemas-microsoft-com:office:smarttags" /><st1:place w:st="on"><st1:PlaceName w:st="on">Acute</st1:PlaceName> <st1:PlaceName w:st="on">Care</st1:PlaceName> <st1:PlaceType w:st="on">Hospital</st1:PlaceType></st1:place> needs Occupational Therapists. Experience with </SPAN><SPAN style="FONT-SIZE: 10pt; FONT-FAMILY: Arial">Ortho, Neuro, vestibular balance, aquatic a plus!<SPAN style="COLOR: black"> New grads welcome.<SPAN style="mso-spacerun: yes"> </SPAN>Signon Bonus and help with relocation.<SPAN style="mso-spacerun: yes"> </SPAN>For more details please call or email Carole 800 995 2673 X1329 or <A href="mailto:cs@coremedicalgroup.com"><SPAN style="mso-bidi-font-weight: bold; mso-bidi-font-size: 12.0pt">cs@coremedicalgroup.com</SPAN></A><o:p></o:p></SPAN></SPAN></P>