Как исправить несоответствующий HTML, чтобы Expat проанализировал его (htmltidy не работает)

В верхней части сайта nfl.com есть функция автоматического обновления таблицы результатов на основе Flash. Некоторый мониторинг его сетевого трафика находит:

http://www.nfl.com/liveupdate/scorestrip/ss.xml

Это, вероятно, будет немного легче анализировать, чем табло HTML.

Они используют какой-то Javascript в полях для очков, поэтому вам придется проделывать более хитрые трюки (моя разрывается):

/* box of awesome */
// iscurrentweek ? true;
(new nfl.scores.Game('2009112905','54635',{state:'pre',container:'scorebox-2009112905',
wrapper:'sb-wrapper-2009112905',template:($('scorebox-2009112905').innerHTML),homeabbr:'NYJ',
awayabbr:'CAR'}));

Однако, чтобы ответить на ваш вопрос, BeautifulSoup анализирует его (по-видимому) нормально:

fp = urlopen("http://www.nfl.com/scores")
data = ""
while 1:
    r = fp.read()
    if not r:
        break
    data += r
fp.close()

soup = BeautifulSoup(data)
print soup.contents[2].contents[1].contents[1]

Выходы:

<title>NFL Scores: 2009 - Week 12</title>

На мой взгляд, было бы проще очистить табло Yahoo NFL... попытайся.

РЕДАКТИРОВАНИЕ: Ваш вопрос использовался как предлог для изучения BeautifulSoup. Alex Martelli восхваляет его, поэтому я решил, что стоит попробовать — чувак, я впечатлен.

Как бы то ни было, я смог состряпать элементарный скребок для счета с Yahoo! табло, например:

def main():
    soup = BeautifulSoup(YAHOO_SCOREBOARD)
    on_first_team = True
    scores = []
    hold = None

    # Iterate the tr that contains a team's box score
    for item in soup(name="tr", attrs={"align": "center", "class": "ysptblclbg5"}):
        # Easy
        team = item.b.a.string

        # Get the box scores since we're industrious
        boxscore = []
        for quarter in item(name="td", attrs={"class": "yspscores"}):
            boxscore.append(int(quarter.string))

        # Final score
        sub = item(name="span", attrs={"class": "yspscores"})[0]
        if sub.b:
            # Winning score
            final = int(sub.b.string)
        else:
            data = sub.string.replace(" ", "")
            if ":" in data:
                # Catch TV: XXX and 0:00pm ET
                final = None
            else:
                try: final = int(data)
                except: final = None

        if on_first_team:
            hold = { team : (boxscore, final) }
            on_first_team = False
        else:
            hold[team] = (boxscore, final)
            scores.append(hold)
            on_first_team = True

    for game in scores:
        print "--- Game ---"
        for team in game:
            print team, game[team]

Я бы настроил это в воскресенье, чтобы посмотреть, как это работает, так как это действительно грубо. Вот что он выводит на данный момент:

--- Game ---
Green Bay ([0, 13, 14, 7], 34)
Detroit ([7, 0, 0, 5], 12)
--- Game ---
Oakland ([0, 0, 7, 0], 7)
Dallas ([3, 14, 0, 7], 24)

Взгляните на это, я тоже получил очки... для игры, которая еще не состоялась, мы получаем:

--- Game ---
Washington ([], None)
Philadelphia ([], None)

Во всяком случае, колышек для вас, чтобы спрыгнуть. Удачи.

Загляните в tagsoup. Если вы хотите получить дерево DOM или поток SAX в Java, это билет. Если вы просто хотите извлечь конкретную информацию, Beautiful Soup — это Beautiful Thing.