Question

我有一个带有一些自关闭标签的html文件，但BeautifulSoup不喜欢它们。

from bs4 import BeautifulSoup
html = '<head><meta content="text/html" http-equiv="Content-Type"><meta charset="utf-8"></head>'
doc = BeautifulSoup(html, 'html.parser')
print doc.prettify()

打印

<head>
 <meta content="text/html" http-equiv="Content-Type">
   <meta charset="utf-8"/>
 </meta>
</head>

我必须手动检查每个标签是否自动关闭并进行适当修改，还是有更好的方法来处理？

Answer 1

您可能已经知道，可以指定BeautifulSoup内部使用的不同解析器。并且，如BeautifulSoup docs中所述：

HTML解析器之间也存在差异。如果你给美丽   汤是一个完美形成的HTML文档，这些差异无关紧要。   一个解析器会比另一个解析器更快，但他们都会给你一个   数据结构看起来与原始HTML文档完全相同。

但如果文档形式不完整，不同的解析器会   给出不同的结果。

在这种特殊情况下，lxml和html5lib都会生成两个单独的meta标记：

In [4]: doc = BeautifulSoup(html, 'lxml')
In [5]: print(doc.prettify())
<html>
 <head>
  <meta content="text/html" http-equiv="Content-Type"/>
  <meta charset="utf-8"/>
 </head>
</html>

In [6]: doc = BeautifulSoup(html, 'html5lib')
In [7]: print(doc.prettify())
<html>
 <head>
  <meta content="text/html" http-equiv="Content-Type"/>
  <meta charset="utf-8"/>
 </head>
 <body>
 </body>
</html>

BeautifulSoup - 处理自闭标签的正确方法

1 个答案: