BeautifulSoup格式化HTML如何同时保留&nbsp与西里尔字符？

实现方案 #

完全可以通过自定义BeautifulSoup的formatter实现需求，无需额外引入第三方依赖，核心逻辑如下：
仅对HTML语法要求必须转义的特殊字符做处理，西里尔等非特殊字符原样输出，同时单独将\xa0（BeautifulSoup解析后 对应的Unicode字符）替换为 实体。

代码实现 #

方式1：函数式自定义formatter（适合简单场景）

from bs4 import BeautifulSoup

def custom_formatter(s):
    # 处理HTML必须转义的基础字符
    s = s.replace("&", "&")
    s = s.replace("<", "&lt;")
    s = s.replace(">", "&gt;")
    s = s.replace('"', "&quot;")
    # 单独替换不间断空格为&nbsp;实体
    s = s.replace("\xa0", "&nbsp;")
    return s

# 测试示例
raw_html = """
<div>Привет мир!&nbsp;测试内容</div>
"""
soup = BeautifulSoup(raw_html, "html.parser")
pretty_html = soup.prettify(formatter=custom_formatter)
print(pretty_html)

方式2：继承HTMLFormatter类（适合复杂定制场景）

可以复用BeautifulSoup内置的转义逻辑，避免自行处理遗漏转义场景：

from bs4 import BeautifulSoup
from bs4.formatter import HTMLFormatter

class CustomHTMLFormatter(HTMLFormatter):
    def escape(self, s):
        # 调用父类内置的最小转义逻辑，处理必须转义的字符
        s = super().escape(s)
        # 替换不间断空格为 实体
        return s.replace("\xa0", " ")

# 使用示例
formatter = CustomHTMLFormatter(indent=2)
pretty_html = soup.prettify(formatter=formatter)

替代方案 #

如果不想自行实现formatter逻辑，也可以使用第三方包html5print完成HTML美化，默认就会保留非ASCII字符和 实体。

内容的提问来源于stack exchange，提问作者bikz