python - 有没有办法用 lxml 解析 html，但用 minidom 操作它？

Question

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

我是这样操作的:

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

然而，解析大文件正在成为性能瓶颈，lxml 解析比 html5lib 快 80 倍左右(我对其进行了基准测试)。

如何使用 lxml 或类似的快速 bad-html-tolerant 库进行解析，并使用与 DOM 兼容的 API 进行操作？

Answer 1

认为我找到了解决方案:

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 调用需要相当长的时间。