python - 使用 Python 2.7 解析 HTML - HTMLParser、SGMLParser 或 Beautiful Soup？

Question

我想用 Python 2.7 进行一些屏幕抓取，但我不知道 HTMLParser、SGMLParser 或 Beautiful Soup 之间的区别。

这些都是为了解决同一个问题，还是出于不同的原因而存在？哪个最简单，哪个最健壮，哪个(如果有的话)是默认选择？

另外，如果我忽略了一个重要的选项，请告诉我。

编辑: 我应该提一下，我在 HTML 解析方面并不是特别有经验，而且我特别感兴趣的是哪一个能让我最快地移动，目标是在一个特定的平台上解析 HTML网站。

Answer 1

我正在使用并推荐使用 lxml 和 pyquery 来解析 HTML。几个月前我不得不编写一个网络抓取机器人，在我尝试过的所有流行替代方案中，包括 HTMLParser 和 BeautifulSoup，我选择了 lxml 和 pyquery 的语法糖。不过，我还没有尝试过 SGMLParser。

就我所见，lxml 或多或少是功能最丰富的库，与其替代品相比，其底层 C 核心的性能相当出色。至于 pyquery，我真的很喜欢它受 jQuery 启发的语法，这使得在 DOM 中导航更加愉快。

如果您决定尝试一下，这里有一些您可能会发现有用的资源:

• lxml home page
• pyquery home page
• BeautifulSoup vs lxml benchmark
• Win installer for pyquery built against Python 2.7 - 我很难设置 pyquery :)

好吧，这就是我的 2c :) 我希望这对您有所帮助。