个人中心
文章发布
退出
作者热门文章
- html - 出于某种原因，IE8 对我的 Sass 文件中继承的 html5 CSS 不友好？
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景？
24
4
我正在从事需要快速 HTML 解析的大型项目，包括损坏的 HTML 页面的恢复。
目前 lxml 是我的选择，我知道它也为 libxml2 的恢复模式提供了一个接口(interface)，但我对结果并不是很满意。对于某些特定的 HTML 页面，我发现 BeautifulSoup 的结果确实更好(例如:http://fortune.com/2015/11/10/vw-scandal-volkswagen-gift-cards/，这个有一个损坏的 <header> 标签，lxml/libxml2 无法纠正)。但是，问题是 BS 非常慢。
正如我所见，现代浏览器(如 Chrome 和 Firefox)解析 HTML 的速度非常快，并且能够很好地处理损坏的 HTML。与 lxml 一样，Chrome 的解析器建立在 libxml2 和 libxslt 之上，但具有更有效的破损 HTML 处理算法。我希望有从 Chromium 导出的独立存储库以便我可以使用它们，但还没有找到类似的东西。
有没有人知道一个好的库或至少一个解决方法(通过利用当前已知的解析器的一部分)？非常感谢!
最佳答案
BeautifulSoup 确实很好地使损坏的 HTML soup 变得漂亮。您可以通过 letting it use lxml.html under the hood 加快解析速度:
If you’re not using lxml as the underlying parser, my advice is to start. Beautiful Soup parses documents significantly faster using lxml than using html.parser or html5lib.
soup = BeautifulSoup(html, "lxml")
另一个优化可能是 SoupStrainer - 仅解析 HTML 文档的所需部分，但我不确定它是否适用于您的用例。
您还可以通过安装 cchardet library 来加快速度:
You can speed up encoding detection significantly by installing the
cchardetlibrary.
As I see, modern browsers like Chrome and Firefox parse HTML very quickly and handle broken HTML really well.
我知道这是一个巨大的开销，但只是为了向您的选项添加一些东西 - 您可以通过 selenium 启动 Chrome ，导航到所需的地址(或打开本地 html 文件)并将 HTML 从 .page_source 转储回来:
from selenium import webdriver
driver = webdriver.Chrome()
driver.get("url")
# may be a delay or an explicit wait would be needed here
print(driver.page_source)
driver.close()
另见:
关于html - 快速有效地解析损坏的 HTML 的方法？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/33771317/
24
4
0
我想了解 Ruby 方法 methods() 是如何工作的。 我尝试使用“ruby 方法”在 Google 上搜索，但这不是我需要的。 我也看过 ruby-doc.org，但我没有找到这种方法。
Test 方法 对指定的字符串执行一个正则表达式搜索，并返回一个 Boolean 值指示是否找到匹配的模式。 object.Test(string) 参数 object 必选项。总是一个
Replace 方法 替换在正则表达式查找中找到的文本。 object.Replace(string1, string2) 参数 object 必选项。总是一个 RegExp 对象的名称。
Raise 方法 生成运行时错误 object.Raise(number, source, description, helpfile, helpcontext) 参数 object 应为
Execute 方法 对指定的字符串执行正则表达式搜索。 object.Execute(string) 参数 object 必选项。总是一个 RegExp 对象的名称。 string
Clear 方法 清除 Err 对象的所有属性设置。 object.Clear object 应为 Err 对象的名称。 说明 在错误处理后，使用 Clear 显式地清除 Err 对象。此
CopyFile 方法 将一个或多个文件从某位置复制到另一位置。 object.CopyFile source, destination[, overwrite] 参数 object 必选
Copy 方法 将指定的文件或文件夹从某位置复制到另一位置。 object.Copy destination[, overwrite] 参数 object 必选项。应为 File 或 F
Close 方法 关闭打开的 TextStream 文件。 object.Close object 应为 TextStream 对象的名称。 说明 下面例子举例说明如何使用 Close 方
BuildPath 方法 向现有路径后添加名称。 object.BuildPath(path, name) 参数 object 必选项。应为 FileSystemObject 对象的名称
GetFolder 方法 返回与指定的路径中某文件夹相应的 Folder 对象。 object.GetFolder(folderspec) 参数 object 必选项。应为 FileSy
GetFileName 方法 返回指定路径（不是指定驱动器路径部分）的最后一个文件或文件夹。 object.GetFileName(pathspec) 参数 object 必选项。应为
GetFile 方法 返回与指定路径中某文件相应的 File 对象。 object.GetFile(filespec) 参数 object 必选项。应为 FileSystemObject
GetExtensionName 方法 返回字符串，该字符串包含路径最后一个组成部分的扩展名。 object.GetExtensionName(path) 参数 object 必选项。应
GetDriveName 方法 返回包含指定路径中驱动器名的字符串。 object.GetDriveName(path) 参数 object 必选项。应为 FileSystemObjec
GetDrive 方法 返回与指定的路径中驱动器相对应的 Drive 对象。 object.GetDrive drivespec 参数 object 必选项。应为 FileSystemO
GetBaseName 方法 返回字符串，其中包含文件的基本名 (不带扩展名), 或者提供的路径说明中的文件夹。 object.GetBaseName(path) 参数 object 必
GetAbsolutePathName 方法 从提供的指定路径中返回完整且含义明确的路径。 object.GetAbsolutePathName(pathspec) 参数 object
FolderExists 方法 如果指定的文件夹存在，则返回 True；否则返回 False。 object.FolderExists(folderspec) 参数 object 必选项
FileExists 方法 如果指定的文件存在返回 True；否则返回 False。 object.FileExists(filespec) 参数 object 必选项。应为 FileS
我是一名优秀的程序员,十分优秀！