BeautifulSoup，不要修复 html答案

【问题标题】：BeautifulSoup, dont fix htmlBeautifulSoup，不要修复 html
【发布时间】：2020-07-25 01:16:35
【问题描述】：

给定以下html

html = """
    <html>
    <body>

    <p>
        <p>
            Hello World
        </p>
    </p>

    <body>
    </html>
"""

当我使用 lxml 将它传递给 BeautifulSoup 并美化它时，这是我得到的输出

print BeautifulSoup(html, 'lxml').prettify()
<html>
 <body>
  <p>
  </p>
  <p>
   Hello World
  </p>
 </body>
</html>

因为<p>标签由于其无效的HTML而不能嵌套，所以它们在解析时被关闭。有没有办法忽略这一点并将它们视为可嵌套的？

我无法将其解析为 xml，因为我想使用我不能作为 XML 的 css 选择器

有什么方法可以配置 lxml 忽略无效的 html？

【问题讨论】：

标签： beautifulsoup lxml

【解决方案1】：

您可以使用html.parser。但是在html.parser 中添加了一个新的body。

In [1]: from bs4 import BeautifulSoup

In [2]: html = """<html>
   ...:     <body>
   ...:
   ...:     <p>
   ...:         <p>
   ...:             Hello World
   ...:         </p>
   ...:     </p>
   ...:
   ...:     <body>
   ...:     </html>"""

In [3]: soup = BeautifulSoup(html, "html.parser")

In [4]: soup.prettify()
Out[4]: '<html>\n <body>\n  <p>\n   <p>\n    Hello World\n   </p>\n  </p>\n  <body>\n  </body>\n </body>\n</html>'

In [5]: print(soup.prettify())
<html>
 <body>
  <p>
   <p>
    Hello World
   </p>
  </p>
  <body>
  </body>
 </body>
</html>

使用html5 解析器。添加了head 标签

n [11]: html = """<html>
    ...:     <body>
    ...:
    ...:     <p>
    ...:         <p>
    ...:             Hello World
    ...:         </p>
    ...:     </p>
    ...:
    ...:     <body>
    ...:     </html>"""

In [12]: soup = BeautifulSoup(html, "html5")

In [13]: print(soup.prettify())
<html>
 <head>
 </head>
 <body>
  <p>
  </p>
  <p>
   Hello World
  </p>
  <p>
  </p>
 </body>
</html>

【讨论】：