Question

HTML有一个空元素的概念，如MDN所列。然而，美丽的汤似乎没有正确处理它们：

import bs4

soup = bs4.BeautifulSoup(
    '<div><input name=the-input><label for=the-input>My label</label></div>',
    'html.parser'
)
print(soup.contents)

我明白了：

[<div><input name="the-input"><label for="the-input">My label</label></input></div>]

即。输入已经包装了标签。

问题：有没有办法让美丽的汤来解析这个？或者在某个我尚未找到的地方有官方解释这种行为吗？

至少我期待的是：

[<div><input name="the-input"></input><label for="the-input">My label</label></div>]

即。输入在标签前自动关闭。

Answer 1

我会说汤正在尽力修复这个html结构，在某些情况下它确实很有用。

无论如何，对于你的情况我会说要使用lxml，它会根据你的需要解析html结构，或者试试parsel

Answer 2

正如他们documentation TimeSpan中所述，将文档解析为Web浏览器（在本例中为html5lib）。它会尝试通过在需要时添加/关闭标记来修复文档树。

在您的示例中，我使用lxml作为解析器，它给出了以下结果：

lxml

请注意，soup = bs4.BeautifulSoup( '<div><input name=the-input><label for=the-input>My label</label></div>', 'lxml' ) print(soup.body.contents) [<div><input name="the-input"/><label for="the-input">My label</label></div>]添加了html＆amp;身体标签，因为它们没有出现在源中，这就是我打印lxml内容的原因。

使用美丽的汤正确解析空的html标签

2 个答案: