BeautifulSoup -- 防止标签自动闭合

Question

BeautifulSoup在解析以下代码时遇到了问题：

>>> soup = BeautifulSoup('<img src="#" alt="Click Here >" border="0" />')
>>> soup.prettify()
'<img src="#" alt="Click Here &gt;" />\n" border="0" />\n'

我还想说明一下，我无法控制输入的HTML。里面有很多不同的文本和属性，所以我想避免使用正则表达式。

有没有人能建议我怎么让BeautifulSoup在遇到">"符号时，不自动关闭img标签？

编辑 1：我在文档中找到了这个。我能控制BeautifulSoup如何解析IMG标签吗？

编辑 2：我解决了我的问题。在调用BeautifulSoup之前，我做了一次文本替换。

text.replace('>"','>"')

Answer 1

BeautifulSoup4 这个库已经更新，现在它能更聪明地处理一些情况，解决了之前的问题。如果你把 BeautifulSoup4 更新到最新版本，它会在引号里面忽略 > 这个标签。

soup = BeautifulSoup('<img src="#" alt="Click Here >" border="0" />')
print(soup.img.attrs)
# {'src': '#', 'alt': 'Click Here >', 'border': '0'}
soup.prettify()
# '<img src="#" alt="Click Here &gt;" />\n" border="0" />\n'

这个例子展示了 alt 属性里面正确地包含了 > 字符，而 border 属性也被正确识别了。