如何使用Python和BeautifulSoup读取并解析本地HTML文件？

本文共计818个文字，预计阅读时间需要4分钟。

直接传递文件路径给`BeautifulSoup`是不行的，它不识别路径字符串。必须先用Python打开文件，读取内容，然后再传递给解析器。

• open() 要加 encoding="utf-8"，否则中文乱码很常见，尤其 Windows 下默认是 gbk
• 推荐用 with open(...)，避免文件句柄泄露
• 解析器选 "html.parser" 就够用，不用额外装 lxml 或 html5lib，除非你明确需要它们的容错能力

with open("page.html", encoding="utf-8") as f: soup = BeautifulSoup(f, "html.parser")

find() 和 select() 该选哪个？

看你是习惯写 CSS 选择器，还是更倾向方法链式调用。两者结果一致，但行为细节不同。

• find() 只返回第一个匹配项（或 None），find_all() 返回列表；select() 总是返回列表，哪怕只匹配一个
• select() 支持完整 CSS 语法，比如 div.content > p:first-child；find() 的 attrs 参数写起来更啰嗦
• 性能上差别极小，别为这个纠结；但注意 select() 不支持伪类如 :hover，它只是静态解析，不是浏览器

遇到 AttributeError: 'NoneType' object has no attribute 'text' 怎么办

这是最常踩的坑：你假设某个元素一定存在，但实际没找到，返回了 None，然后还去点 .text。

• 永远对 find() 或 select_one() 的结果做存在性判断，别裸奔调用 .text
• 用 getattr(elem, "text", "") 或三元表达式 elem.text if elem else "" 更稳妥
• 如果结构不稳定，优先用 select() 配合 list[0] if list else None，比嵌套 if 更清晰

HTML 编码、空格、换行怎么处理才干净

BeautifulSoup 默认会把连续空白压缩成单个空格，且自动解码 HTML 实体（如   → 空格），这通常是你想要的，但有时会误伤。

立即学习“Python免费学习笔记（深入）”；

• 取文本用 .get_text() 比 .text 更可控，它支持分隔符参数，比如 .get_text(strip=True, separator=" ")
• 保留原始标签内换行？用 .prettify() 是格式化输出，不是读取逻辑；真要保留结构，得自己遍历 contents 并过滤 NavigableString
• 遇到 <br> 被忽略？.get_text() 默认不把换行符当分隔符，得手动处理，比如先用 replace_with("\n") 把 <br> 替换成换行符

真正麻烦的是嵌套不规范的 HTML，比如没闭合的 <p> 或混用的 <font> 标签——这时候别硬刚，先用 soup.prettify() 看一眼实际被解析成什么样，再决定 selector 怎么写。