处理格式错误的 HTML（无结束标签）答案

【问题标题】：Handle malformed HTML (no closing tags)处理格式错误的 HTML（无结束标签）
【发布时间】：2017-11-23 06:58:32
【问题描述】：

我使用 BeautifulSoup 通过 lxml 解析器解析 HTML。但是我遇到了一个在<table> 中没有任何结束标签的文件：

<table id='reportTable' class='report-table' style='width:auto' cellspacing='0'><tr>
<th>Номер<br>поезда<th>Дата<br>отправления<th>Маршрут<th>Причина<th>Комментарий<th>Станция ...

虽然<table> 标签已正确关闭。

【问题讨论】：

您是否已经尝试解析它但没有成功？ html 解析器的一半意义在于它可以像浏览器一样容忍格式错误的 html。缺少结束标签不应出现问题
@C.Feenstra 它可以识别一些tds，但通常无法拆分。稍后我会尝试制作一个示例文件

标签： python html beautifulsoup lxml

【解决方案1】：

就我个人而言，我自己也遇到过这个问题，我使用 tidylib 通过 HTMLTidy 5 运行整个文档。说我同意 C. Feenstra lxml 解析器可以容忍格式错误的 html。如果你有 html，你真的无法用 lxml 解析器解析，那么试试这个：

from tidylib import tidy_document

badHtml = "<table id='reportTable' class='report-table' style='width:auto' cellspacing='0'><tr><th>Номер<br>поезда<th>Дата<br>отправления<th>Маршрут<th>Причина<th>Комментарий<th>Станция ..."
options = {"output-bom": 0, "quiet": False, "word-2000": True,
           "output-encoding": 'utf8', "output-xhtml": 1, "add-xml-decl": 0,
           "tidy-mark": 0, "drop-proprietary-attributes": True,
           "show-warnings": False, }
tidiedHtml, errors = tidy_document(badHtml, options)

然后对 BeautifulSoup 使用“tiidiedHtml”

【讨论】：

这行得通，谢谢！我已经从binaries.html-tidy.org 安装了pytidylib 和tidy.dll 我的输入编码是cp1251 所以我必须将原始数据预编码为utf-8