Python结合BeautifulSoup读取本地HTML源代码出现乱码问题求助

• 输出开头出现的ÿþ是UTF-16小端序编码的字节顺序标记（BOM），对应从Word导出的HTML文件实际以UTF-16 LE格式存储，并非常见的UTF-8/ASCII编码。
• 代码中open(file_path)采用无显式编码的默认打开逻辑，在Windows环境下会依托系统本地编码（如cp1252、cp936）解码文件，没有按照UTF-16的规则将连续两个字节拼接为一个完整字符，反而将每个字符的高低位字节拆解为独立单字节字符解码，直接造成英文字母间无故出现空格、开头携带乱码的现象。
• 解码得到的碎片化内容无法被BeautifulSoup识别为正常HTML结构，整段乱码会被当作纯文本处理，自动套入默认的<HTML><BODY><P>文档骨架，原有的尖括号也会被转义为>实体，最终输出完全不符合预期的内容。

• 打开本地文件时，显式指定与文件实际存储匹配的编码参数，覆盖系统默认的打开逻辑。调整后的可运行代码如下：

from bs4 import BeautifulSoup

file_path = "本地HTML文件的实际路径"
# 指定utf-16编码，Python会自动识别文件开头的BOM标记完成正确解码
with open(file_path, encoding="utf-16") as fp:
    # 显式指定html.parser解析器，规避默认解析器的兼容警告
    soup = BeautifulSoup(fp, "html.parser")

print(soup.prettify())

• 优化提示：
  • 若不确定文件的实际编码，可先读取文件原始字节，配合编码检测工具识别编码值后再传入open函数的encoding参数，避免编码错配。
  • 从Word导出的HTML包含大量冗余的样式、脚本标签，解析过程中可调用节点的decompose()方法过滤<style>、<script>等无关节点，减少后续内容提取时的噪音。

内容的提问来源于stack exchange，提问作者Boomshakalaka