如何解析带有错误的HTML？

Question

我有看起来像是HTML文档的一部分的数据。然而，它有一些错误，如

<td class= foo"bar"> 

所有我试过的解析器（lxml，xml.etree）失败并出现错误。

因为我实际上并不关心文档的这个特定部分，我正在寻找更强大的解析器。

某些地方我可以允许忽略特定子树中的错误，也许只是不插入节点或者只会懒惰地解析我所遍历的树的部分。

Answer 1

您正在使用XML解析器。 XML是一种严格的语言，而HTML标准要求解析器能够容忍错误。

使用符合HTML的解析器，如lxml.html或html5lib或包装库BeautifulSoup（其中uses either of the previous带有更清洁的API）。 html5lib速度较慢，但​​与现代浏览器如何处理错误密切相关。

Answer 2

使用LXML：

创建与recover集的HTML解析器为True：

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

参见教程Parsing XML and HTML with lxml。