Python lxml怎么清理和修复不规范的HTML/XML

lxml修复HTML/XML的核心方法是：先用etree.HTML()或HTMLParser(recover=True)自动修复语法错误，再用Cleaner过滤危险内容，必要时通过xpath手动调整结构。

lxml 的 etree.HTML() 和 etree.XML() 本身就会自动修复常见语法错误，但更可靠、更可控的方式是使用 lxml.html.clean 模块清理 HTML，配合 lxml.etree.Parser 的 recover 选项修复损坏结构。

用 HTMLParser 自动修复破损 HTML

面对缺失闭合标签、错位嵌套、未转义字符等常见问题，直接用带容错能力的解析器最省心：

• 启用 recover=True（默认开启）让 parser 尽力重建树结构
• 对严重破损的 HTML，显式创建 HTMLParser 并设 recover=True
• 避免用 XMLParser 解析 HTML——它更严格，容易报错退出

示例：

标签： javascript python java html js 常见问题