regex - Jsoup、正则表达式、XPath 从 HTML 提取内容的性能比较？

Question

我知道在常见情况下HTML shouldn't be parsed with regex .

但是我想对网络应用程序进行性能测试。我非常清楚 HTML 的样子。因此，我可以使用正则表达式从页面源中提取一些数据。

当我进行性能测试(使用 Jmeter)时，我想从主机上占用更少的资源。

哪个选项资源消耗较少:XPath、正则表达式 (Jakarta ORO) 还是 Jsoup？

Answer 1

从 JMeter 2.8 开始，答案是 Regexp。但这当然取决于您使用的正则表达式。JMeter 中的正则表达式实现相当优化，是相关性的主要后处理方式。

对于 JSoup，它需要基于 JSR223 后处理器的自定义编码。

JMeter 2.9 将引入一个新的基于 CSS/JQuery 选择器的 Extractor，具有 2 种可能的底层实现:

• JSOUP

• Jodd Lagarto (CSSelly)

参见:

• https://issues.apache.org/bugzilla/show_bug.cgi?id=54259

当它构建 DOM 文档时，它的性能将低于 Regexp，但它简化了测试计划中的许多语法，不需要超优化的测试计划。

最后，关于 XPath，因为它构建了 DOM 树:

• http://www.developer.com/xml/article.php/3397691/Does-StAX-Belong-in-Your-XML-Toolbox.htm

它的内存和 CPU 成本高于正则表达式，特别是如果您想提取许多元素，已创建增强功能:

• https://issues.apache.org/bugzilla/show_bug.cgi?id=53973