代码之家 › 专栏 › 技术社区 › Christian Oudard

有没有办法用lxml解析html,但用minidom操作它?

lxml parsing dom html python

Christian Oudard · 技术社区 · 16 年前

我有一个应用程序,我一直在使用html5lib自由解析html。我使用minidom接口,因为我需要一个真正的domapi,而ElementTree不适合我正在做的事情。

我是这样做的:

parser = html5lib.XHTMLParser(tree=html5lib.treebuilders.getTreeBuilder('dom'))
parser.parse(html)

然而,解析大型文件正在成为性能瓶颈,lxml解析速度大约是html5lib的80倍(我对其进行了基准测试)。

如何使用lxml或类似的快速糟糕的html容忍库进行解析,并使用与DOM兼容的API进行操作?

1 回复 | 直到 16 年前

Christian Oudard 16 年前

我想我找到了解决办法:

from xml.dom.pulldom import SAX2DOM
import lxml.sax
def parse_lxml_dom(html):
    tree = lxml.html.document_fromstring(html)
    handler = SAX2DOM()
    lxml.sax.saxify(tree, handler)
    return handler.document

然而,这只比html5lib快7倍左右。saxify通话需要很长时间。

推荐文章

code-geek · Jquery根据单选按钮选择隐藏或显示文本字段

1 年前

Jamie · 在CSS链接的文件名中添加Jinja占位符

1 年前

ptownbro · 重叠分区标签,同时保持以下所有分区和内容就位

1 年前

Luke Frost IEng MIMechE · Bootstrap 5.3在Div中的项目位置没有如我所期望的那样显示

1 年前

Reegan · 使用Angular ngFor指令在html中渲染嵌套对象值

1 年前

wqyutv · 当找不到文件时,任何破坏错误的东西都不会出现,我该怎么解决这个问题?

1 年前

user29519291 · 为不同的变量创建一个带有可重用Click函数的简单菜单

1 年前

Gukkey · 在React中明确隐藏日期类型输入后,如果我单击父div,如何显示日期选择器?

1 年前

Lorenzo Bertolaccini · 在Angular项目中通过对话框后,在控制台中显示但在HTML中不显示的数据数组

1 年前

john Rizzo · 按钮背景颜色、悬停和活动状态存在问题

1 年前