在python中高效解析破碎的XML/HTML
在python中高效解析破碎的XML/HTML
提问于 2014-01-26 15:10:59
我希望能够在Python中高效地解析大型HTML文档。我知道Liza Daly's fastiter和similar concept in the Python's own cElementTree。但是，这两种方法都不能处理损坏XML，HTML读取这些XML也是如此。此外，文档可能包含其他损坏的XML。
类似地，我知道像this这样的答案，它建议根本不使用任何形式的迭代解析，事实上，这就是我正在使用的。但是，我正在尝试优化我的程序中最大的瓶颈，即文档的解析。
此外，我使用用于lxml解析器的SAX风格的目标处理程序做了一些实验-我不确定发生了什么，但它直接导致Python停止工作！不仅抛出异常，还弹出"python.exe已停止工作“消息。我不知道这里发生了什么，但我甚至不确定这种方法是否真的比标准解析器更好，因为我在Internet上看到的关于它的东西很少。
因此，我的问题是:有没有类似iterparse的东西，可以让我快速有效地解析文档，当文档不是格式良好的XML (IE.是否可以从格式错误的XML中恢复)？
回答 1
Stack Overflow用户
发布于 2016-03-20 09:55:49
我会用这个。
它比lxml更快，并且可以像这样处理损坏的html。
from ehp import *
doc = '''<html>
<body>
<p> cool </html></body>'''
html = Html()
dom = html.feed(doc)
print dom它根据最可能的HTML结构构建一个AST。然后你就可以在AST上工作了。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/21365054
复制
相似问题
什么是切换按钮?我们什么时候可以使用它？
C#泛型:我可以在这个例子中使用它们吗？
我可以在Appium上使用JavascriptExecutor吗？
什么是BroadcastReceiver，我们什么时候使用它？
什么是BigInteger，我们什么时候使用它？
添加站长 进交流群
领取专属 10元无门槛券
AI混元助手 在线答疑
关注 腾讯云开发者公众号
洞察 腾讯核心技术
剖析业界实践案例
腾讯云开发者
