BeautifulSoup：<p>的奇怪行为

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>
"""

可以看到这样（不确定它是否有帮助，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>

正如您所看到的，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>，则会将其视为例外。为什么与<p>有这么小的差别？我还有这个问题（如果是这个？）从4.3.2升级到4.4.6。

Answer 1

p elements只能包含phrasing content，因此您所拥有的实际上是无效的HTML。以下是it's parsed：

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a   p元素的结束标记。因此，以下标记导致两个   段落，而不是一个：

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

     

解析完全如下：

<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（如图64所示）：

lxml正确处理此问题，html5lib也是如此。 html.parser并未实施大部分HTML5规范，也不关心这些怪癖。

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