如何阻止BeautifulSoup的html.parser自动补全未闭合HTML标签？

Python标准库的html.parser本身就是为修复不规范HTML设计的，自动补全未闭合标签是它的核心内置行为，没有官方开关可以直接禁用该特性。如果必须使用html.parser，无法直接让它保留原始的未闭合标签格式，但可以通过以下思路间接实现需求：

1. 提取属性后重构原始标签 #

如果你仅需要处理标签属性，同时要保留原始未闭合状态，可以先解析提取属性，再拼接回原始格式的标签：

from bs4 import BeautifulSoup

original_html = '<span id="100" class="test">'
# 解析获取标签属性
soup = BeautifulSoup(original_html, "html.parser")
tag_attrs = soup.span.attrs

# 重构原始格式的未闭合标签
attrs_str = ' '.join([f'{k}="{v}"' for k, v in tag_attrs.items()])
original_tag = f'<span {attrs_str}>'
print(original_tag)
# 输出: <span id="100" class="test">

2. 自定义解析器逻辑（不推荐） #

通过继承html.parser.HTMLParser重写标签处理方法，跳过自动闭合逻辑，但这种方式会破坏BeautifulSoup的部分解析逻辑，维护成本高：

from html.parser import HTMLParser
from bs4 import BeautifulSoup
from bs4.builder._htmlparser import HTMLParserTreeBuilder

class NoCloseTreeBuilder(HTMLParserTreeBuilder):
    def __init__(self):
        super().__init__()
        self.parser = self._create_parser()

    def _create_parser(self):
        class NoCloseHTMLParser(HTMLParser):
            def handle_starttag(self, tag, attrs):
                self.soup.handle_starttag(tag, attrs)

            def handle_endtag(self, tag):
                # 忽略闭合标签处理逻辑
                pass

        return NoCloseHTMLParser(self.soup)

# 使用自定义构建器
soup = BeautifulSoup('<span id="100" class="test">', "html.parser", builder=NoCloseTreeBuilder())
print(str(soup))
# 输出: <span id="100" class="test">

总结 #

如果核心需求是完全保留原始HTML的未闭合格式，最可靠的方案仍是使用XML解析器（"xml"）——它严格遵循输入结构，不会自动补全标签。html.parser的设计目标就是修复不规范HTML，无法直接禁用自动补全功能。

内容的提问来源于stack exchange，提问作者Minions