求助：BeautifulSoup无法解析MS Word 365生成的.htm文件怎么办？

问题原因 #

• 编码错误引发转义异常：使用errors='ignore'写入文件时，会忽略编码解析错误，导致HTML核心标签的<、>被错误转义为<、>，直接破坏HTML结构逻辑，让BeautifulSoup无法识别有效标签。
• Word导出HTML的格式冗余：Word 365生成的stripped类型HTML本身可能带有大量冗余空格、不规范格式标记，叠加错误写入导致的编码损坏，进一步加剧了解析失败。

正确读取与修复方法 #

1. 修复转义字符并指定编码读取
   修改解析函数，先修复被转义的HTML字符，再用BeautifulSoup解析：

   from bs4 import BeautifulSoup
   import html
   
   def html_parser(path):
       '''打开HTML文件，修复转义后返回bs4对象'''
       # 指定Word HTML常用编码读取内容
       with open(path, 'r', encoding='utf-8') as inf:
           content = inf.read()
           # 将错误转义的&lt;、&gt;转回<、>
           content = html.unescape(content)
       soup = BeautifulSoup(content, 'html.parser')
       return soup
   
   resource = html_parser('broken.htm')
   print(resource)
   # 修正原代码变量名错误：将template改为resource
   table = resource.findAll('table')[-1]
   print(table)
   

2. 规范文件写入方式
   后续写入文件时，避免使用errors='ignore'，改用errors='replace'处理编码问题，防止关键字符丢失：

   with open('output.htm', 'w', encoding='utf-8', errors='replace') as outf:
       outf.write(content)
   

3. 优化Word导出设置
   从Word导出HTML时，选择“清理Word特定格式标记”的选项，减少冗余空格和非标准标记，降低解析难度。

内容的提问来源于stack exchange，提问作者J.Doe