BeautifulSoup：奇怪的行为<p>

Question

我有以下HTML内容：

content  = """
<div>

  <div> <div>div A</div> </div>
  <p>P A</p>

  <div> <div>div B</div> </div>   
  <p> P B1</p>
  <p> P B2</p>

  <div> <div>div C</div> </div>
  <p> P C1 <div>NODE</div> </p>

</div>
"""

可以这样看（不确定是否有帮助，但我喜欢图表）：

如果我使用以下代码：

soup = bs4.BeautifulSoup(content, "lxml")
firstDiv = soup.div
allElem = firstDiv.findAll( recursive = False)
for i, el in enumerate(allElem):
    print "element ", i , " : ", el

我明白了：

element  0  :  <div> <div>div A</div> </div>
element  1  :  <p>P A</p>
element  2  :  <div> <div>div B</div> </div>
element  3  :  <p> P B1</p>
element  4  :  <p> P B2</p>
element  5  :  <div> <div>div C</div> </div>
element  6  :  <p> P C1 </p>
element  7  :  <div>NODE</div>

如您所见，与元素0、2或5不同，元素6不包含其子元素。 如果我将其<p>更改为<b>或<div>则它的作用与众不同。 为什么与<p>这么小的区别？ 从4.3.2升级到4.4.6时，我仍然遇到这个问题（如果这是一个问题？）。

Answer 1

p元素只能包含措辞内容，因此您拥有的实际上是无效的HTML。 这是一个如何解析的示例：

例如，在措辞内容中不允许使用form元素，因为当解析为HTML时， form元素的开始标记将暗示p元素的结束标记。 因此，以下标记导致两段，而不是一段：

 <p>Welcome. <form><label>Name:</label> <input></form> 

完全按照以下方式进行解析：

 <p>Welcome. </p><form><label>Name:</label> <input></form> 

您可以确认这是浏览器解析HTML的方式（图为Chrome 64）：

lxml和html5lib正确处理此html5lib 。 html.parser并没有实现HTML5规范的大部分内容，也不在乎这些怪癖。

如果您不希望将来因这些解析差异而感到沮丧，建议您坚持使用lxml和html5lib 。 当您在浏览器的DOM检查器中看到的内容与代码解析方式不同时，这很烦人。