Beautifulsoup4 未关闭的标签错误答案

【问题标题】：Beautifulsoup4 unclosed tag bugBeautifulsoup4 未关闭的标签错误
【发布时间】：2021-06-30 08:54:11
【问题描述】：

在解析“链接”标签时，soup 无法理解非斜杠标签。

示例...

import requests
from bs4 import BeautifulSoup

html = '<html>
        <head>
        <title>bs4bug</title>
          <link rel="1"/>
          <link rel="2">
          <link rel="3"/>
          <link rel="4"/>
          <link rel="5"/>
        </head>
        <body>
          <h1>bs4bug</h1>
          <link rel="6"/>
        </body>
        </html>'

for num, link in enumerate(BeautifulSoup(html, 'html.parser').findAll('link'), start=1):
    print(num, link)

输出：

1 <link rel="1"/>
2 <link rel="2"/>
3 <link rel="3"><link rel="4"/><link rel="5"/></link>
4 <link rel="4"/>
5 <link rel="5"/>
6 <link rel="6"/>

在我的情况下，它发生在这一行之后：

<link href="https://fonts.googleapis.com/css?family=Rubik:400,500,700,300&amp;subset=latin" rel="stylesheet" type="text/css">

bs4，将所有 html 包装在一个未封闭的标签“链接”中。

如何解决？

【问题讨论】：

标签： parsing beautifulsoup

【解决方案1】：

要正确解析文档，请使用 lxml 或 html5lib 解析器：

from bs4 import BeautifulSoup

html = """<html>
        <head>
        <title>bs4bug</title>
          <link rel="1"/>
          <link rel="2">
          <link rel="3"/>
          <link rel="4"/>
          <link rel="5"/>
        </head>
        <body>
          <h1>bs4bug</h1>
          <link rel="6"/>
        </body>
        </html>"""

sup = BeautifulSoup(html, "lxml")  # <-- use `lxml` or `html5lib`
for num, link in enumerate(sup.findAll("link"), start=1):
    print(num, link)

打印：

1 <link rel="1"/>
2 <link rel="2"/>
3 <link rel="3"/>
4 <link rel="4"/>
5 <link rel="5"/>
6 <link rel="6"/>

【讨论】：

bs4 最受欢迎，这就是我选择它的原因。谢谢你的回答。我会再看看这个图书馆
@AlikSei 是的，但将'html.parser' 替换为lxml 或html5lib。这就是 bs4 在内部用来解析 HTML 文档的内容
酷，'html5lib' 解决了我的卡顿！但“lxml”与“bs4”相同。非常感谢！