使用漂亮的汤正确解析空html标记
使用漂亮的汤正确解析空html标记
提问于 2017-03-24 14:28:22
HTML有一个空元素的概念，如MDN所列。然而，漂亮的汤似乎不能很好地处理它们：
import bs4
soup = bs4.BeautifulSoup(
'<div><input name=the-input><label for=the-input>My label</label></div>',
'html.parser'
)
print(soup.contents)我得到：
[<div><input name="the-input"><label for="the-input">My label</label></input></div>]也就是说，输入已经包装了标签。
问题：有什么方法可以得到漂亮的汤来正确地解析这个吗？或者我还没有找到对这种行为的官方解释？
至少我希望这样的事情：
[<div><input name="the-input"></input><label for="the-input">My label</label></div>]即，输入在标签之前自动关闭。
回答 2
Stack Overflow用户
回答已采纳
发布于 2017-03-24 14:56:37
正如他们的文档中所述，html5lib像web浏览器一样解析文档(就像本例中的lxml)。它将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，我使用了lxml作为解析器，它给出了以下结果：
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>]注意，lxml添加了html & body标记，因为它们不在源代码中，所以我打印了body内容。
Stack Overflow用户
发布于 2017-03-24 14:45:08
我想说的是，“汤”正在尽它所能来修复这个html结构，在某些情况下，它实际上是有帮助的。
无论如何，对于您的情况，我会说使用lxml，它将根据您的需要解析html结构，或者尝试使用parsel。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/43002091
复制相关文章
相似问题
腾讯云开发者
