errore con la funzione di analisi in lxml

Question

ho installato lxml2.2.2 su piattaforma Windows (im utilizzando Python versione 2.6.5) .i provato questo semplice comando:

from lxml.html import parse 
p= parse(‘http://www.google.com’).getroot() 

ma sto ottenendo il seguente errore:

Traceback (most recent call last): 
File “”, line 1, in p=parse(‘http://www.google.com’).getroot() 
File “C:\Python26\lib\site-packages\lxml-2.2.2-py2.6-win32.egg\lxml\html_init_.py”, line 661, in parse return etree.parse(filenameorurl, parser, baseurl=baseurl, **kw) 
File “lxml.etree.pyx”, line 2698, in lxml.etree.parse (src/lxml/lxml.etree.c:49590) 
File “parser.pxi”, line 1491, in lxml.etree.parseDocument (src/lxml/lxml.etree.c:71205) File “parser.pxi”, line 1520, in lxml.etree.parseDocumentFromURL (src/lxml/lxml.etree.c:71488) 
File “parser.pxi”, line 1420, in lxml.etree.parseDocFromFile (src/lxml/lxml.etree.c:70583) 
File “parser.pxi”, line 975, in lxml.etree.BaseParser.parseDocFrom 
File (src/lxml/lxml.etree.c:67736) 
File “parser.pxi”, line 539, in lxml.etree.ParserContext.handleParseResultDoc (src/lxml/lxml.etree.c:63820) 
File “parser.pxi”, line 625, in lxml.etree.handleParseResult (src/lxml/lxml.etree.c:64741) 
File “parser.pxi”, line 563, in lxml.etree._raiseParseError (src/lxml/lxml.etree.c:64056) 
IOError: Error reading file ‘http://www.google.com’: failed to load external entity “http://www.google.com” 

non ho idea di cosa fare dopo sono un novizio di python. per favore guidami a risolvere questo errore Grazie in anticipo!! :)

Answer 1

lxml.html.parse non recupera URL.

Ecco come farlo con urllib2:

>>> from urllib2 import urlopen 
>>> from lxml.html import parse 
>>> page = urlopen('http://www.google.com') 
>>> p = parse(page) 
>>> p.getroot() 
<Element html at 1304050> 

---

Aggiornamento
Steven ha ragione. lxml.etree.parse dovrebbe accettare e caricare URL. Ho perso questo. Ho provato a cancellare questa risposta, ma non sono autorizzato.

Ritraggo la mia affermazione al riguardo non recuperando gli URL.

Answer 2

Secondo la documentazione API dovrebbe funzionare: http://lxml.de/api/lxml.html-module.html#parse

questo sembra essere un bug in lxml 2.2.2. Ho appena testato su Windows con Python 2.6 e 2.7 e funziona con 2.3.0.

Quindi: aggiorna il tuo lxml e starai bene.

Non so esattamente in quali versioni di lxml si verifica il problema, ma credo che il problema non fosse tanto con lo stesso lxml, ma con la versione di libxml2 utilizzata per costruire il binario di Windows. (Alcune versioni di libxml2 avuto un problema con http sulle finestre)

Answer 3

Dal interruzioni di riga non sono ammessi nei commenti, ecco la mia implementazione di MattH's answer:

from urllib2 import urlopen 
from lxml.html import parse 

site_url = ('http://www.google.com') 

try: 
    page = parse(site_url).getroot() 
except IOError: 
    page = parse(urlopen(site_url)).getroot()