非标准HTML无法被解析的问题解决

当爬虫请求一个网页，这个网页是非标准HTML的时候，那么一般方式都是无法正常解析成dom的；比如：

错误示例

• 1、此种方式将得到None
  

from lxml import etree
tree = etree.HTML(res.text)

• 2、此种方式也是得到None
  

from lxml import etree

parser = etree.HTMLParser()
tree = etree.fromstring(res.text, parser)

• 3、此种方式也是得到None
  

from bs4 import BeautifulSoup
tree = BeautifulSoup(html, 'html.parser')

正确示例

• 1、解决方案
  

from lxml.html import soupparser
tree = soupparser.fromstring(res.text)

• 2、解决方案
  

from lxml import etree
tree = etree.HTML(res.text.encode("ascii", "xmlcharrefreplace").decode("ascii"))

ascii beautifulsoup decode encode html import text tree