首页 文章

在python中解析HTML - lxml还是BeautifulSoup？哪种更好用于何种目的？

提问于
浏览 次
52

据我所知，Python中的两个主要HTML解析库是lxml和BeautifulSoup . 我选择了BeautifulSoup作为我正在研究的项目，但除了找到更容易学习和理解的语法之外，我选择了它 . 但是我看到很多人似乎都喜欢lxml而且我听说lxml更快 .

所以我想知道一个优于另一个的优点是什么？我什么时候想使用lxml？什么时候最好使用BeautifulSoup？还有其他值得考虑的图书馆吗？

python beautifulsoup html-parsing lxml

7 回答

  • 22

    对于初学者来说，不再积极维护BeautifulSoup，作者甚至建议使用lxml等替代品 .

    从链接页面引用：

    版本3.1.0的Beautiful Soup在真实HTML上的表现比3.0.8版本差得多 . 最常见的问题是错误处理标记，“格式错误的开始标记”错误和“错误结束标记”错误 . 这个页面解释了发生了什么，如何解决问题，以及你现在可以做些什么 . 这个页面最初是在2009年3月写的 . 从那时起，3.2系列已经发布，取代了3.1系列，并且4.x系列的开发已经开始 . 此页面将保留用于历史目的 . tl; dr使用3.2.0代替 .

    回复于
  • 14

    Pyquery 为Python提供了jQuery选择器接口（在引擎盖下使用lxml） .

    http://pypi.python.org/pypi/pyquery

    它真的很棒，我不再使用其他任何东西了 .

    回复于
  • 25

    总而言之， lxml 定位为闪电般快速的 生产环境 质量html和xml解析器，顺便说一下，它还包含一个 soupparser 模块，可以依赖于BeautifulSoup的功能 . BeautifulSoup 是一个单人项目，旨在帮助您节省时间从格式不正确的html或xml中快速提取数据 .

    lxml documentation说两种解析器都有优点和缺点 . 因此， lxml 提供了 soupparser ，因此您可以来回切换 . 引用，

    BeautifulSoup使用不同的解析方法 . 它不是真正的HTML解析器，而是使用正则表达式来浏览标记汤 . 因此，在某些情况下它更宽容，而在其他情况下则不那么好 . lxml / libxml2更好地解析和修复损坏的HTML并不罕见，但BeautifulSoup对编码检测具有更高的支持 . 它在很大程度上取决于哪个解析器更好地工作 .

    最后他们说，

    使用此解析器的缺点是它比lxml的HTML解析器慢得多 . 因此，如果性能很重要，您可能需要考虑将soupparser仅用作某些情况的后备 .

    如果我理解正确，那就意味着汤解析器更强大 - 它可以通过使用正则表达式来处理错误标签 - 而 lxml 更简单，只需解析事物并构建一棵树就像你一样期望 . 我假设它也适用于 BeautifulSoup 本身，而不仅仅是 soupparser 适用于 lxml .

    他们还展示了如何从 BeautifulSoup 的编码检测中受益，同时仍然使用 lxml 快速解析：

    >>> from BeautifulSoup import UnicodeDammit

>>> def decode_html(html_string):
...     converted = UnicodeDammit(html_string, isHTML=True)
...     if not converted.unicode:
...         raise UnicodeDecodeError(
...             "Failed to detect encoding, tried [%s]",
...             ', '.join(converted.triedEncodings))
...     # print converted.originalEncoding
...     return converted.unicode

>>> root = lxml.html.fromstring(decode_html(tag_soup))

    （相同来源：http://lxml.de/elementsoup.html） .

    用 BeautifulSoup 的创作者的话来说，

    就是这样！玩得开心！我写了美丽的汤来节省每个人的时间 . 一旦你习惯了它，你应该能够在几分钟内从设计不佳的网站中搜集数据 . 如果您有任何意见，遇到问题或希望我了解您使用Beautiful Soup的项目，请给我发电子邮件 . --Leonard

    引用自Beautiful Soup documentation .

    我希望现在已经清楚了 . 汤是一个精彩的单人项目，旨在为您节省时间从设计不佳的网站中提取数据 . 目标是为您节省时间，完成工作，不一定能节省您的长期时间，绝对不是为了优化软件的性能 .

    另外，从lxml website，

    lxml已经从Python Package Index下载了200多万次，也可以直接在许多软件包发行版中使用，例如：适用于Linux或MacOS-X .

    并且，从Why lxml?，

    C库libxml2和libxslt具有巨大的优势：......符合标准......功能齐全......快速 . 快速！快速！ ... lxml是libxml2和libxslt的新Python绑定...

    回复于
  • 11

    不要使用BeautifulSoup，使用lxml.soupparser然后你就坐在lxml的力量之上，并且可以使用BeautifulSoup的好处来处理真正破碎的和糟糕的HTML .

    回复于
  • 1

    我使用lxml非常成功地解析HTML . 它似乎也很好地处理“汤”HTML . 我强烈推荐它 .

    这是我试图处理一些丑陋的HTML的快速测试：

    import unittest
from StringIO import StringIO
from lxml import etree

class TestLxmlStuff(unittest.TestCase):
    bad_html = """
        <html>
            <head><title>Test!</title></head>
            <body>
                <h1>Here's a heading
                <p>Here's some text
                <p>And some more text
                <b>Bold!</b></i>
                <table>
                   <tr>row
                   <tr><td>test1
                   <td>test2
                   </tr>
                   <tr>
                   <td colspan=2>spanning two
                </table>
            </body>
        </html>"""

    def test_soup(self):
        """Test lxml's parsing of really bad HTML"""
        parser = etree.HTMLParser()
        tree = etree.parse(StringIO(self.bad_html), parser)
        self.assertEqual(len(tree.xpath('//tr')), 3)
        self.assertEqual(len(tree.xpath('//td')), 3)
        self.assertEqual(len(tree.xpath('//i')), 0)
        #print(etree.tostring(tree.getroot(), pretty_print=False, method="html"))

if __name__ == '__main__':
    unittest.main()
    回复于
  • 5

    我肯定会使用EHP . 它比lxml更快，更优雅，更简单易用 .

    查看 . https://github.com/iogf/ehp

    <body ><em > foo  <font color="red" ></font></em></body>


from ehp import *

data = '''<html> <body> <em> Hello world. </em> </body> </html>'''

html = Html()
dom = html.feed(data)

for ind in dom.find('em'):
    print ind.text()

    输出：

    Hello world.
    回复于
  • 0

    一个有点过时的速度比较可以找到here，它清楚地推荐lxml，因为速度差异似乎很大 .

    回复于

相关问题