应使用 lxml.html.fromstring() 替代 etree.fromstring()，因 HTML 解析器自动修复未闭合标签、补全结构并返回标准 Element 对象，支持 xpath/cssselect；而 etree 严格遵循 XML 规范，遇 <img> 等自闭合标签直接报 XMLSyntaxError。
lxml 默认拒绝解析未闭合标签，直接报 XMLSyntaxError；想让它“将错就错”继续解析，得换用 html 模块而非 etree，并明确告知它：这不是 XML，是 HTML。
为什么 etree.parse() 一遇到 <img> 就崩溃
etree.parse() 是为规范 XML 设计的，严格遵循 XML 规则：所有标签必须闭合、大小写敏感、必须有唯一根节点。像 <img src="a.jpg"> 或 <br> 这类 HTML 中合法但 XML 中非法的自闭合写法，在 etree 眼里就是语法错误。
常见错误现象：XMLSyntaxError: Opening and ending tag mismatch 或 NoneType is not callable（因解析失败返回 None 后调用方法）
- 使用场景：抓取网页源码、解析用户提交的富文本、处理老旧 CMS 导出内容
- 参数差异：
etree.parse()读文件，etree.fromstring()读字符串；但两者都走 XML 解析器，同样拒收不规范标签 - 性能影响：HTML 解析器比 XML 解析器稍慢，但对千行级文档基本无感；兼容性反而更好——它本就为容忍而生
改用 html.fromstring() 是最简解法
lxml.html 模块底层调用的是 libxml2 的 HTML 解析器，会自动修复缺失闭合、补全 <html><body>、标准化属性大小写，结果仍是标准 Element 对象，后续用 .xpath() 或 .cssselect() 完全不受影响。
立即学习“Python免费学习笔记（深入）”；
- 实操建议：把所有
from lxml import etree替成from lxml import html，再把etree.fromstring(text)换成html.fromstring(text) - 注意：不要混用——
html.fromstring()返回的对象不能传给etree.tostring()直接用，但可传给html.tostring() - 如果原始内容是 XML 片段（比如只有
<div><p>hello</p>），html.fromstring()仍能处理；而etree.fromstring()会因缺少根节点报错
from lxml import html
doc = html.fromstring('<div><img src="x"><p>test<br></p>')
print(doc.xpath('//img/@src')) # ['x'] —— 成功提取需要保留原始标签大小写或禁用自动修复？别用 html
HTML 解析器默认会把 <IMG SRC="x"> 转成小写 <img src="x">，也会补全缺失的 <head> 和 <body>。如果你在做 HTML 格式校验、diff 对比，或必须保持原样输出，这种“好心”反而坏事。
- 此时只能退回到
etree，但需预处理：用正则或html.parser先做最小修复（如把<img>替成<img/>），再交给etree - 更稳妥的做法是用
etree.XMLParser(recover=True)，但它只对部分错误有效（比如缺失结束标签），对孤立标签如<img>仍可能失败 - 兼容性提示：libxml2 的
recover=True在旧版本中行为不稳定，不同系统编译的 lxml 可能表现不一
真正麻烦的不是怎么修，而是你得先判断：这到底是 HTML 还是假扮成 XML 的 HTML？如果连文档声明都写着 <!DOCTYPE html>，还硬用 etree，那不是严谨，是给自己加戏。
