lxml解析HTML容错需启用recover=True模式自动修复标签错误，捕获ParserError处理编码等问题，并预处理去除非法字符、补全缺失标签。
lxml 在解析 HTML 时遇到格式不规范的内容（如缺失闭合标签、错误嵌套、非法字符等）默认会报错或静默丢弃部分结构。要稳健处理这类错误，核心是**控制解析器行为 + 合理捕获异常 + 预处理容错**。
使用 recover=True 让解析器自动修复常见错误
lxml 的 HTMLParser 支持 recover=True 模式，它会启用容错解析引擎（基于 libxml2 的 HTML recovery 功能），自动修正大多数标签不闭合、嵌套混乱等问题，而不是直接抛异常。
推荐写法：
from lxml import html from lxml.html import HTMLParserparser = HTMLParser(recover=True) tree = html.parse("broken.html", parser)
或直接解析字符串
doc = html.fromstring(html_content, parser=parser)
注意：recover=True 是默认值（在 html.parse 和 html.fromstring 中已启用），但显式声明更清晰；若曾设为 False，则需改回。
立即学习“Python免费学习笔记（深入）”；
捕获并诊断 ParserError 异常
即使开启 recover，某些严重错误（如编码无法识别、含控制字符的原始字节流）仍可能触发 lxml.etree.ParserError。应主动捕获并检查：
- 用
try/except lxml.etree.ParserError包裹解析逻辑 - 打印异常信息，确认是否因编码问题（如 UTF-8 字节流被误作 ASCII）
- 对含 BOM 或混合编码的 HTML，先用
chardet探测编码，再用bytes.decode(encoding)转为字符串后解析
预处理 HTML 字符串提升健壮性
对来源不可控的 HTML（如爬虫抓取），建议解析前做轻量清洗：
- 去除零宽字符、非法 Unicode 替换符（
\uFFFD）或控制字符（re.sub(r'[\x00-\x08\x0B\x0C\x0E-\x1F\x7F]', '', html_str)） - 修补明显缺失的
或标签（用字符串拼接或正则补全） - 若内容含 script/style 内的尖括号干扰，可先临时替换再还原（避免影响解析器状态）
对比：html.parser vs lxml 容错能力
Python 标准库的 html.parser 更“宽容”，但生成的是纯 Python 对象，无 XPath/CSS 选择器支持；lxml 虽强但依赖 libxml2 行为。如需最大兼容性，可先用 html.parser 粗略清洗，再喂给 lxml 解析——不过多数场景下，开启 recover=True + 预处理已足够应对真实网页中的 HTML 毛病。
