Python BeautifulSoup（bs4）：如何在格式错误的HTML中忽略结束标记

我正在使用Beautifulsoup（bs4）来废弃HTML页面。它有一个列表

，其中包含一些有趣的链接（href）

片段：

<ul>
 <!-- C 1-3 --></p>
 <li>
   <a href="http://LINK1" target="_blank">Link1 description</a>
 </li>
</ul>

<ul>
 <!-- E 1-2-3-6 --></p>
 <li>
  <a href="LINK-2" target="_blank">Link-2 description</a>
 </li>
 <p><!-- E 4-5 -7-8-9-10-11 --></p>
</ul>

---

我认为您应该尝试一种更宽松的HTML解析器。例如：

soup = BeautifulSoup(pg, "html5lib")

因为html5lib解析器是最宽松的解析器。优点是：

• 极为宽大
• 与web浏览器解析页面的方式相同
• 创建有效的HTML5

缺点是：

• 很慢
• 外部Python依赖关系

---

文档对不同解析器的优缺点进行了一些解释：

FWIW，如果链接因任何原因发生更改，您应该引用相关文本。：-）

soup = BeautifulSoup(pg, "html5lib")