如何用Python和BeautifulSoup格式化混乱的HTML源码？

嘿，我太懂这种感受了——爬下来的HTML经常像被塞进洗衣机搅过一样，标签挤成一团，完全没法一眼看清结构。别慌，用BeautifulSoup自带的工具就能轻松把它“捋顺”，下面给你一步步讲怎么做：

最直接的方法：用prettify() #

BeautifulSoup的prettify()方法就是专门干这个的，它会自动给标签添加换行、缩进，还能把HTML实体（比如>）转换成正常的可读字符。

举个实际的例子，就用你给出的那段混乱HTML：

from bs4 import BeautifulSoup

# 你获取到的混乱HTML片段
messy_html = 'property="article:tag" content="ally" /><meta property="article:tag" content="harvey weinstein" /><meta property="article:tag" content="pratiksha parulekar" /><meta property="article:tag" content="rape culture" /><meta property="article:section" content="..."'

# 注意：因为你的HTML是片段，最好先包裹在一个根标签里（比如<div>），避免BeautifulSoup自动补全不必要的标签
soup = BeautifulSoup(f"<div>{messy_html}</div>", "html.parser")

# 生成规整的HTML
pretty_html = soup.prettify()

# 打印或者保存
print(pretty_html)

运行这段代码后，你会得到结构清晰、缩进整齐的输出：

<div>
 <meta property="article:tag" content="ally"/>
 <meta property="article:tag" content="harvey weinstein"/>
 <meta property="article:tag" content="pratiksha parulekar"/>
 <meta property="article:tag" content="rape culture"/>
 <meta property="article:section" content="..."/>
</div>

额外小技巧 #

• 调整缩进宽度：默认是4个空格，如果你想用2个空格，可以这样写：soup.prettify(indent_width=2)
• 保存到文件查看：把规整后的HTML保存成.html文件，用浏览器打开会更直观：

  with open("cleaned_html.html", "w", encoding="utf-8") as f:
      f.write(pretty_html)
  

• 处理完整HTML文档：如果你的HTML是完整的（包含<html>、<head>等标签），直接传入BeautifulSoup就行，不用额外加根标签。

这样处理后，原本乱糟糟的HTML瞬间就变得清爽可读了，不管是调试还是查看内容都方便很多~

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