如何用BeautifulSoup解析嵌套HTML内容的XML文件？

我明白你遇到的麻烦了——当你用BeautifulSoup解析包含嵌套HTML的XML时，外层的XML结构会让<description>标签里的<body>被当成纯文本，而不是可识别的HTML节点，所以调用find_all('body')才拿不到内容。

问题根源 #

你一开始用html.parser解析整个XML文件，这会让BeautifulSoup把文档当作HTML处理，XML里的嵌套HTML标签会被当作普通文本节点，无法被后续的find方法识别。而且外层XML结构需要用专门的XML解析器处理，才能正确区分各个XML标签。

解决方案：分两步解析 #

我们可以先解析外层的XML结构，提取出每个<description>内部的HTML字符串，再单独解析这段HTML，就能正常获取<body>里的内容了。修改后的代码如下：

from bs4 import BeautifulSoup

# 第一步：用XML解析器处理整个XML文件，正确识别外层的<description>标签
soup = BeautifulSoup(myfile, 'xml')
desc_content_list = soup.find_all('description')

for desc in desc_content_list:
    # 提取<description>内部的原始HTML内容（保留完整标签结构）
    inner_html_content = str(desc.contents[0])
    # 第二步：用HTML解析器单独解析这段嵌套的HTML
    inner_soup = BeautifulSoup(inner_html_content, 'html.parser')
    # 现在就能正常找到<body>标签了
    body_tag = inner_soup.find('body')
    if body_tag:
        # 打印<body>内的文本内容，也可以直接print(body_tag)查看完整结构
        print(body_tag.get_text(strip=True))

额外说明 #

• 不需要保存文件再解析：直接在内存中提取字符串并重新解析即可，更高效简洁。
• 检查XML格式：你提供的示例里有个<description标签未闭合，实际运行时要确保所有XML标签都正确闭合，否则解析会出错。

内容的提问来源于stack exchange，提问作者kalle