Question

在我的HTML中，我有很多 标签（未公开）。测试html如下：

html = r"<html><head><title>s</title></head><body>something <br> <b> another thing</b> " \
       r"<br> even more <br> <b> end</b></body></html>"

这是一个正确的HTML使用权吗？简单和＆＃34;日期＆＃34;，但仍然合法？

现在我注意到beatifulsoup将这个html转换成一个真正的混乱，而不是一个只有1层深度低于<body>＆＃34;的平面树。它变得多层深，使分析变得繁琐。显示html也会显示：

html = r"<html><head><title>s</title></head><body>something <br> <b> another thing</b> " \
       r"<br> even more <br> <b> end</b></body></html>"
soup = BeautifulSoup(html, "html.parser")
print(soup)

输出：<html><head></head><body>something another thing even more end</body></html>

如果我使用＆＃34; html5lib＆＃34;此行为会发生变化 - 此时输出变为（我实际希望获得）：

输出：<html><head></head><body>something another thing even more end</body></html>

现在，当html5lib＆＃34;修复＆＃34;问题，仍然不是我希望的那样：我正在提供合法的html代码吗？那么为什么不同的解析器会给出不同的结果？

Answer 1

您可以检查解析器here之间的区别。

html5lib尝试修复文档，如果文档的格式不是像浏览器那样有效，那么如果你想要打印格式良好的HTML文档，它是最好的选择。

lxml做同样的事情，但速度更快。很多。

默认解析器不会为此目的而服务，如果你想使用它来进行简单的操作就可以正常工作，你想要维护文档的结构，使用上面提到的解析器。

正如BS所述：

HTML解析器之间也存在差异。如果你给Beautiful Soup一个完美形成的HTML文档，这些差异并不重要。一个解析器会比另一个解析器更快，但它们都会为您提供一个看起来与原始HTML文档完全相同的数据结构。但是如果文档形式不完整，不同的解析器会给出不同的结果。

Beautifulsoup` <br/>`标签从输入处理

1 个答案: