如何解决 html 代码中“<a></a>”这样的错误

浏览器对 html 代码的容错性很强，像下面这句，两个标签开始结束的位置差开了，应该是个包含结构， a 包含 b ，结果错成了交叉结构。
但是这样浏览器也能正常解析。

<a target="_blank" href="http://wenda.eask.org/">我要提问</a>

可是 BS4 在处理这样的页面时就中枪了，其实还有其他一些错误，比如，一个页面有好几个“<body>”标签，这个处理时比较简单，只保留第一个“<body>”，把后边的全删除即可。但这种交叉的我现在还想不出如何来处理。

附上句中的地址 http://www.eask.org/beijing/

body

HTML

容错性

交叉

12 条回复 • 2016-10-24 11:02:08 +08:00

menc

2016-10-23 20:30:32 +08:00

使用容错性高的 html parser ，但是这个问题我记得 bs4 是可以解决的

MinonHeart

2016-10-23 20:56:12 +08:00

把标签写正确🙃

binux

2016-10-23 21:00:52 +08:00

lxml.html, html5parser

omg21

2016-10-23 21:06:35 +08:00

@menc 我用的就是 html parser

menc

2016-10-23 22:02:52 +08:00

@omg21 。。。。 html parser 是 general 的概念，不是某一个库或者东西。你应该尝试其他的 html parser

@binux lxml 是不行的， lxml 对 html 符合标准要求很严格

mhycy

2016-10-23 22:07:09 +08:00

碰上这种页面直接上正则表达式解决

binux

2016-10-23 22:23:29 +08:00

@menc
In [1]: import lxml.html

In [2]: dom = lxml.html.fromstring(u'<a target="_blank" href="http://wenda.eask.org/">我要提问</a>')

In [3]: print lxml.html.tostring(dom, encoding="unicode")
<a target="_blank" href="http://wenda.eask.org/">我要提问</a>

omg21

2016-10-23 23:22:51 +08:00

@binux pypi 现在上不去了，暂时没法试。如果是全文而不是这一句，能改过来吗？

omg21

2016-10-23 23:24:26 +08:00

@mhycy 不行啊，我做的是通用处理，像这种类型的没法判断错误原因，更没法用正则处理。

menc

2016-10-23 23:43:46 +08:00

@binux 那就行:)

firemiles

2016-10-24 00:09:25 +08:00 via Android

只识别标签头，任意结束标签当当前起始标签的结束，这么干就随意交叉，只要头的顺序对就行

jaimezhan

2016-10-24 11:02:08 +08:00

写代码不严谨或者使用编辑器的插件自动补充关闭标签减少类似的错误代码

如何解决 html 代码中“<a><b></a></b>”这样的错误