我希望能够在Python中有效地解析大型HTML文档。我知道Liza Daly's fastiter和similar concept in the Python's own cElementTree。但是，这些都不能处理破坏的XML，HTML也是如此。此外，该文档可能包含其他损坏的XML。
同样地，我知道像this这样的答案，它们建议根本不使用任何形式的iterparse，事实上，这就是我正在使用的内容。但是，我正在尝试优化我的程序中最大的瓶颈，即解析文档。
此外，我已经为lxml解析器使用SAX样式的目标处理程序做了一些实验 - 我不确定发生了什么，但它彻底导致Python停止工作！不只是抛出异常，而是“python.exe已停止工作”消息弹出窗口。我不知道这里发生了什么，但我甚至不确定这种方法是否真的比标准解析器更好，因为我在互联网上看到的很少。
因此，我的问题是：是否有类似于iterparse的东西，允许我快速有效地解析文档，当文档格式不正确时，不会产生麻烦（IE。已恢复）来自格式不佳的XML）？
答案 0 :(得分：0)
我会用这个。
它比lxml快，它处理破坏的html，如。
from ehp import *
doc = '''<html>
<body>
<p> cool </html></body>'''
html = Html()
dom = html.feed(doc)
print dom
根据尽可能多的HTML结构构建AST。 然后你可以处理AST。