如何用Python ElementTree处理HTML的读写问题？

子类化XMLParser的可行实现 #

你可以通过子类化xml.etree.ElementTree.XMLParser，重写start_tag方法来自动为HTML自闭合标签添加结束逻辑，这是一个被广泛认可的轻量兼容方案：

• 先定义HTML自闭合标签集合：SELF_CLOSING_TAGS = {'area', 'base', 'basefont', 'br', 'col', 'frame', 'hr', 'img', 'input', 'isindex', 'link', 'meta', 'param'}
• 重写start_tag方法，遇到目标标签时，调用父类方法后手动触发end_tag模拟闭合
• 将自定义解析器传入ElementTree的parse或fromstring方法即可

示例代码：

import xml.etree.ElementTree as ET

class HTMLXMLParser(ET.XMLParser):
    SELF_CLOSING_TAGS = {'area', 'base', 'basefont', 'br', 'col', 'frame', 'hr', 'img', 'input', 'isindex', 'link', 'meta', 'param'}

    def start_tag(self, tag, attrs):
        super().start_tag(tag, attrs)
        if tag.lower() in self.SELF_CLOSING_TAGS:
            self.end_tag(tag)

# 使用示例
tree = ET.parse("target.html", parser=HTMLXMLParser())

这个方案不需要大幅改动原有XML处理代码，仅替换解析器实例就能兼容HTML自闭合标签的读取。

基于html.parser.HTMLParser的预处理思路 #

你提到的html.parser.HTMLParser确实能解决问题：可以用它先预处理HTML内容，将自闭合标签转换为XML兼容格式（比如把<img src="demo.jpg">转为<img src="demo.jpg"/>），再交给ElementTree处理。

示例代码思路：

from html.parser import HTMLParser
import xml.etree.ElementTree as ET

class HTMLPreprocessor(HTMLParser):
    def __init__(self):
        super().__init__()
        self.output = []
        self.self_closing = {'area', 'base', 'basefont', 'br', 'col', 'frame', 'hr', 'img', 'input', 'isindex', 'link', 'meta', 'param'}

    def handle_starttag(self, tag, attrs):
        attr_str = ' '.join([f'{k}="{v}"' for k, v in attrs])
        if tag.lower() in self.self_closing:
            self.output.append(f'<{tag} {attr_str}/>')
        else:
            self.output.append(f'<{tag} {attr_str}>')

    def handle_endtag(self, tag):
        if tag.lower() not in self.self_closing:
            self.output.append(f'</{tag}>')

    def handle_data(self, data):
        self.output.append(data)

# 预处理HTML文件
preprocessor = HTMLPreprocessor()
with open("target.html", 'r') as f:
    preprocessor.feed(f.read())
processed_content = ''.join(preprocessor.output)

# 用ElementTree处理转换后的内容
root = ET.fromstring(processed_content)

这种方式借助标准库的HTML解析能力，无需自己处理复杂的标签规则，适合HTML结构较复杂的场景。

内容的提问来源于stack exchange，提问作者samwyse