网页HTML源码怎么保存为XML？代码转换保存教程-html教程-PHP中文网

html源码不能直接当xml用，因xml解析器严格要求格式规范，而html常见不规范写法（如自闭合标签无斜杠、属性缺引号、多根节点等）会导致parseerror；需用beautifulsoup容错解析后再转为标准xml结构。

网页html源码怎么保存为xml？代码转换保存教程

HTML 源码不能直接当 XML 用——浏览器能容忍的写法（比如 <br>、<p>文本</p> <p>另一段</p> 缺少根节点），XML 解析器会直接报 ParseError: no element found 或 XMLSyntaxError。

为什么直接改后缀或用 `xml.etree.ElementTree.fromstring()` 会失败

HTML 常见的不规范写法在 XML 中是非法的：自闭合标签没斜杠（<img src="x">）、属性没引号（<div class="header">）、缺失结束标签（<code><ul> <li>a</li> <li>b</li> </ul>）、多个根节点（......）。xml.etree.ElementTree.fromstring() 遇到这些就抛异常，连第一行都解析不了。

常见错误现象：

xml.etree.ElementTree.ParseError: mismatched tag
xml.etree.ElementTree.ParseError: not well-formed (invalid token)
程序静默跳过部分节点，输出结构残缺

用 `BeautifulSoup` + `xml.etree.ElementTree` 安全转换

这是最稳的纯 Python 方案：先用 BeautifulSoup 容错解析 HTML，再转成标准 XML 兼容的树结构。关键不是“转格式”，而是“补全结构+清理语法”。

实操建议：

安装：pip install beautifulsoup4（无需 lxml，html.parser 足够）
加载时显式指定解析器：BeautifulSoup(html_content, "html.parser")，避免自动降级到 lxml 或 html5lib 引入额外命名空间
必须包裹单一根节点：HTML 可能有多个顶层标签（、并列），XML 要求唯一根，用 <root></root> 包一层
输出前调用 .prettify(formatter="xml")，它会自动闭合标签、加引号、转义字符

示例片段：

from bs4 import BeautifulSoup
import xml.etree.ElementTree as ET
<p>with open("input.html", encoding="utf-8") as f:
html_content = f.read()</p><p>soup = BeautifulSoup(html_content, "html.parser")</p><div class="aritcle_card flexRow artxards">
											<div class="artcardd flexRow">
												<a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill3458" title="html-ppt-to-pdf"><img
														src="https://img.php.cn/upload/skill/000/000/081/178956546773641.jpg" alt="html-ppt-to-pdf" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
												<div class="aritcle_card_info flexColumn">
													<a rel="nofollow" href="/xiazai/skill3458" title="html-ppt-to-pdf" class="overflowclass">html-ppt-to-pdf</a>
													<p class="overflowclass">将使用 `<section class="slide">` 约定的 HTML 幻灯片转换为高保真、矢量文本 PDF（使用 Playwright + Chromium 原生 PDF 功能）。</p>
												</div>
												<a rel="nofollow" href="/xiazai/skill3458" title="html-ppt-to-pdf" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span>
												</a>
											</div>
										</div><h1>强制包一层 root，解决多根问题</h1><p>root_wrapper = soup.new_tag("root")
for child in soup.contents:
if child.name is not None:  # 过滤空白和注释
root_wrapper.append(child)
soup.clear()
soup.append(root_wrapper)</p><p>xml_str = str(soup.prettify(formatter="xml"))</p><h1>写入文件（注意用 utf-8）</h1><p>with open("output.xml", "w", encoding="utf-8") as f:
f.write(xml_str)</p>

用 `html5lib` + `xml.etree.ElementTree` 的轻量替代方案

如果不想引入 BeautifulSoup，html5lib 是更接近浏览器解析行为的选择，但它输出的是自己的树对象，需手动映射到 ElementTree。

注意点：

安装：pip install html5lib
html5lib.parse() 返回的是 html5lib.treebuilders.etree.ElementTree 对象，不是标准 xml.etree.ElementTree，需用 ET.fromstring(ET.tostring(tree.getroot())) 中转一次
默认不处理命名空间，若原 HTML 含 xmlns，要手动剥离，否则 XML 输出里会混进 xmlns:x="..." 导致下游解析失败
性能比 BeautifulSoup 略低，但对含大量 JS 注释或怪异嵌套的 HTML 更鲁棒

别碰 `lxml.html` 的 `.tostring(method="xml")`

看起来最省事，但实际埋雷最多：它默认保留 HTML 特有的命名空间（如 html: 前缀）、把 <script></script> 内容当 CDATA 处理、对布尔属性（checked）输出为 checked="checked" —— 这些都不是标准 XML 行为，且无法通过参数关闭。

除非你明确需要 XHTML 输出，否则不要用它生成通用 XML。真要用，必须加参数：method="xml", encoding="unicode", with_tail=False, include_meta_content=True，再手动 strip 所有命名空间声明。

真正容易被忽略的点是：HTML 转 XML 不是字符替换，而是语义重建。哪怕只差一个闭合斜杠或引号，下游的 XSLT、XPath 或 xmlschema 校验都会失败。别依赖“看着像 XML 就行”。