我写了一个python脚本，处理大量下载的网页HTML（120K页）。我需要解析它们并从那里提取一些信息。我尝试使用BeautifulSoup，这很容易和直观，但似乎运行速度非常慢。因为这是必须经常在弱机器上运行的事情（在亚马逊上），速度很重要。在python中是否有一个HTML / XML解析器，它的工作速度比BeautifulSoup快得多？或者我必须采用正则表达式解析..
答案 0 :(得分：15)
lxml是一个快速的xml和html解析器：http://lxml.de/parsing.html
答案 1 :(得分：3)
SAX风格的解析器可以比基于DOM的解析器更快。您的代码将获得一系列元素，您必须推断（并可能存储）他们的关系;但是您只需要保持获取所需数据所需的状态。相比之下，DOM风格的解析器需要构建一个可导航的对象模型，这需要时间（和内存），这可能是您不需要花费的。
Python有这样的HTML解析器;它在Python 3中称为HTMLParser（html.parser）。但是，根据识别要提取的数据的难度，可能很难成功地解决这种解析问题。如果您要发布一个示例文件并告知您希望从中提取哪些数据，我可能会遇到麻烦。
答案 2 :(得分：0)
尝试：ElementTree可能更快，但我不确定。
xml.etree.ElementTree import ElementTree