如何解析帶有錯誤的HTML？

Question

我有看起來像是HTML文檔的一部分的數據。然而，它有一些錯誤，如

<td class= foo"bar"> 

所有我試過的解析器（lxml，xml.etree）失敗並出現錯誤。

因爲我實際上並不關心文檔的這個特定部分，我正在尋找更強大的解析器。

某些地方我可以允許忽略特定子樹中的錯誤，也許只是不插入節點或者只會懶惰地解析我所遍歷的樹的部分。

Answer 1

您正在使用XML解析器。 XML是一種嚴格的語言，而HTML標準要求解析器能夠容忍錯誤。

使用符合HTML的解析器，如lxml.html或html5lib或包裝庫BeautifulSoup（其中uses either of the previous帶有更清潔的API）。 html5lib速度較慢，但​​與現代瀏覽器如何處理錯誤密切相關。

Answer 2

使用LXML：

創建與recover集的HTML解析器爲True：

parser = etree.HTMLParser(recover=True) 
tree = etree.parse(StringIO(broken_html), parser) 

參見教程Parsing XML and HTML with lxml。