在Python中处理HTML格式不规范的问题，可以通过以下方法实现：
一、使用BeautifulSoup自动修复
from bs4 import BeautifulSoup
dirty_html = "<html><body><p>Hello<div>World</p></div></body>"
# 使用html.parser自动修复
soup = BeautifulSoup(dirty_html, "html.parser")
clean_html = soup.prettify()
# 或使用html5lib（需安装）
# soup = BeautifulSoup(dirty_html, "html5lib")
print(clean_html)
二、使用lxml库修复
from lxml.html import fromstring, tostring
parser = fromstring(dirty_html)
clean_html = tostring(parser, pretty_print=True).decode()
三、专用清理库
安装：pip install html-sanitizer
from sanitizer import Sanitizer
sanitizer = Sanitizer()
clean_html = sanitizer.sanitize(dirty_html)
四、正则表达式辅助处理
import re
# 修复未闭合的标签
clean_html = re.sub(r'<(?!area|base|br|col|embed|hr|img|input|link|meta|param)(([a-z][a-z0-9]*)\b[^>]*)(?<!/)>', r'<\1></\2>', dirty_html)
不同方案对比：
| 方法 | 优点 | 缺点 |
|---|---|---|
| BeautifulSoup | 自动修复结构，支持多种解析器 | 可能改变原始标签顺序 |
| lxml | 修复速度快，支持XHTML标准 | 对严重错误容忍度较低 |
| html-sanitizer | 可配置安全策略，防止XSS攻击 | 需要明确配置允许的标签/属性 |
| 正则表达式 | 轻量级快速修复 | 无法处理复杂嵌套错误 |
注意事项：
- 优先使用
html5lib解析器处理严重损坏的HTML - 处理XML命名空间时需使用
lxml的特殊配置 - 对保留的特殊字符（如
<在代码片段中）需要额外处理 - 修复后建议使用W3C验证器检查：https://validator.w3.org/
完整处理流程建议：
- 使用
html5lib解析原始内容 - 通过
lxml进行结构优化 - 使用
html-sanitizer进行安全过滤 - 最后用
BeautifulSoup格式化输出
对于包含混合内容（如Markdown+HTML）的特殊情况，建议先进行内容分离处理，再分别应用不同的修复策略。