浏览器不补全,而是依HTML标准8.2.5.4节栈式状态机规则动态修正结构:如HelloWorld中遇即被隐式闭合,成为子节点,导致DOM层级错乱、CSS/JS失效。

浏览器遇到未闭合标签时实际做了什么
浏览器不会补全 ,而是按 HTML 标准第 8.2.5.4 节的栈式状态机规则动态修正结构。比如 <p>Hello</p>
<div>World 中,<code><p></p> 在遇到 <div> 时就被自动闭合,<code><div> 成为 <code> 的子节点,而非 <p></p> 的后代。
常见表现包括:
-
<table><tr><td>A</td></tr></table>→ 自动插入隐式<tbody>,并在解析到 <code>时终止<tr> 和 <code><td> <li> <code><div><p>Text</p></div>→会正常弹栈,但<p></p>已被提前闭合,不报错也不警告 <p></p> <div>... → <code><div> 触发 <code><p></p>立即闭合,后续内容挂到父级非法字符实体(如 &xyz;)为什么没报错
浏览器解析器只在匹配合法格式(如
<、、<code>)时才解码;其余一律视为普通文本。& 后面没有合法名称或数字,就当它是裸 <code>&字符处理。立即学习“前端免费学习笔记(深入)”;
典型静默行为:
-
&xyz;→ 原样输出为&xyz; -
GG;→ 遇到非十六进制字符G就停止解析,输出GG; -
<>→ 只解一层,结果是,不是<>
DOMParser().parseFromString(htmlStr, 'text/html')同样不校验实体合法性,它返回的Document对象里,非法实体仍完整保留在textContent中。Python 的 html.parser 和 lxml 怎么应对损坏 HTML
html.parser.HTMLParser默认开启convert_charrefs=True,但它只转换合法实体;&xyz;会被当作普通文本传入handle_data(),不触发任何错误回调。你得自己在handle_data()里用正则匹配&开头的串,再调html.unescape()并捕获ValueError来识别非法项。lxml.html.fromstring()在遇到非法 Unicode 字符(如截断的 UTF-8 字节、孤立代理项)时会直接抛UnicodeDecodeError或ParserError—— 这不是 HTML 语法问题,而是底层 libxml2 解码失败。它不接受recover=True来修复这类错误,必须在调用前确保输入是bytes并指定编码,或清洗掉非法码点。Jsoup 和 htmlparser2 的错误反馈机制差异
Jsoup 是少数会主动抛异常的解析器:
MalformedHTMLException表示标签未闭合或属性格式错误,HttpStatusException表示 HTTP 状态码异常。你可以捕获这些异常并做清理重试。htmlparser2则依赖事件回调:启用onerror回调能捕获部分解析中断(如乱码导致 tokenizer 失步),但对大多数容错场景(如嵌套错误)仍静默处理。它真正有用的调试方式是设decodeEntities: false先看原始文本流,再逐步启用解码,避免实体干扰定位。真正难处理的从来不是“报错”,而是“不报错却改了结构”——比如
<p></p> <div> 导致 DOM 树层级偏移,CSS 选择器失效,JS <code>querySelector查不到目标节点。这种问题只能靠开发期静态检查(HTMLHint)或运行时反推 DOM 状态来暴露。-



















