使用来自 python 2.7.6 的 bs4 解析此示例文档:
<html>
<body>
<p>HTML allows omitting P end-tags.
<p>Like that and this.
<p>And this, too.
<p>What happened?</p>
<p>And can we <p>nest a paragraph, too?</p></p>
</body>
</html>
使用:
from bs4 import BeautifulSoup as BS
...
tree = BS(fh)
多年来，HTML 允许省略各种元素类型的结束标记，包括 P(检查架构或解析器)。但是，bs4 在此文档中的 prettify() 显示它在看到
<html>
<body>
<p>
HTML allows omitting P end-tags.
<p>
Like that and this.
<p>
And this, too.
<p>
What happened?
</p>
<p>
And can we
<p>
nest a paragraph, too?
</p>
</p>
</p>
</p>
</p>
</body>
这不是 prettify() 的错，因为手动遍历树我得到了相同的结构:
<[document]>
<html>
␊
<body>
␊
<p>
HTML allows omitting P end-tags.␊␊
<p>
Like that and this.␊␊
<p>
And this, too.␊␊
<p>
What happened?
</p>
␊
<p>
And can we
<p>
nest a paragraph, too?
</p>
</p>
␊
</p>
</p>
</p>
</body>
␊
</html>
␊
</[document]>
现在，这将是 XML 的正确结果(至少到 为止，此时它应该报告 WF 错误)。但这不是 XML。给了什么？
最佳答案
文档位于 http://www.crummy.com/software/BeautifulSoup/bs4/doc/#installing-a-parser讲述如何让 BS4 使用不同的解析器。显然默认是 html.parse，BS4 文档说它在 Python 2.7.3 之前被破坏了，但显然仍然存在上述 2.7.6 中描述的问题。
切换到“lxml”对我来说不成功，但切换到“html5lib”会产生正确的结果:
tree = BS(htmSource, "html5lib")
关于python - BeautifulSoup (bs4) 解析错误，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/29954170/