正確地使用美麗的湯解析空html標記

Question

HTML有一個空元素的概念，如MDN上列出。然而，美麗的湯似乎沒有妥善處理：

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>] 

即輸入包裝了標籤。

問題：有沒有什麼辦法可以得到美麗的湯來正確解析這個問題？還是有沒有找到我還沒找到的這種行爲的官方解釋？

至少，我希望是這樣的：

[<div><input name="the-input"></input><label for="the-input">My label</label></div>] 

即輸入在標籤之前自動關閉。

Answer 1

在他們的documentationhtml5lib指出解析文檔作爲Web瀏覽器（在這種情況下，如lxml）。它會嘗試通過在需要時添加/關閉標籤來修復文檔樹。

在您的例子我使用LXML作爲解析器和它給了以下結果：

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HTML &體標籤，因爲它們沒有出現在源，這就是爲什麼我已經打印了body的內容。

Answer 2

我會說湯正在做它可以修復這個html結構，它在某些場合實際上是有幫助的。

無論如何，對於你的情況，我會說使用lxml，這將解析HTML結構，只要你想，也許給一個嘗試parsel