Question

在Beautifulsoup中，当您解析HTML时，它会尝试为您完成 HTML，例如：

HTML = """<!doctype html>
<html>
<body>
<img src='test'/>
<p
"""
from bs4 import BeautifulSoup
print BeautifulSoup(HTML, "html.parser")

此输出将是：

<!DOCTYPE doctype html>

<html>
<body>
<img src="test"/>
    &lt;p
    </body></html>

有没有一种方法可以按原样解析HTML ，而无需编辑任何标签或HTML数据（标签，<，>等），或者有没有其他方法可以按原样解析HTML？

Answer 1

否。

解析的重点是将HTML源代码转换为文档模型（以便您可以通过编程方式对其进行操作）。

<p变成包含<p的文本节点，而<html>和<body>标签生成HTML和BODY 元素。 / p>

然后对模型进行任何操作。

然后，在某个时候，将模型转换回HTML。这不会（而且至少在合理程度上不能）考虑原始源代码。它在文本节点中转义特殊字符（例如<），并为可以具有结束标记的元素生成结束标记。结果是规范化的文档。