如何用BeautifulSoup 4.12.3获取包含table的<a>标签完整内容？

问题核心是HTML规范限制：<a>属于行内元素，标准中不允许嵌套<table>这类块级元素。BeautifulSoup默认使用的Python内置html.parser解析器会自动修正这种不符合规范的结构，把<table>从<a>标签内移出，导致你看到的<a>标签为空。

要保留原始嵌套结构，需换用对不规范HTML兼容性更好的解析器，比如lxml或html5lib：

步骤1：安装解析器 #

通过pip安装所需解析器（二选一即可）：

pip install lxml
# 或者
pip install html5lib

步骤2：修改代码指定解析器 #

初始化BeautifulSoup时明确指定解析器，就能保留<a>与<table>的嵌套关系：

import bs4

h = """
<a id="0">
    <table> 
  <thead>
    <tr>
      <th scope="col">Person</th>
      <th scope="col">Most interest in</th>
      <th scope="col">Age</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th scope="row">Chris</th>
      <td>HTML tables</td>
      <td>22</td>
    </tr>
    </table>
</a>
"""

# 使用lxml解析器
test = bs4.BeautifulSoup(h, 'lxml')
# 或者用html5lib：test = bs4.BeautifulSoup(h, 'html5lib')

# 获取包含完整table的a标签
a_tag = test.find('a')
print(a_tag)

# 单独提取关联的table内容
target_table = a_tag.find('table')
print(target_table)

效果验证 #

修改后，test.find('a')会返回包含完整<table>的<a id="0">标签，你可以正常将id="0"与表格数据关联处理。

内容的提问来源于stack exchange，提问作者maggle