用python-lxml或BeautifulSoup解析HTML？哪一个更好用于什么目的？
据我所知，Python中的两个主要HTML解析库是lxml和BeautifulSoup。我选择BeautifulSoup作为我正在进行的一个项目，但我选择它并不是为了别的原因，只是因为我觉得语法更容易学习和理解。但我看到很多人似乎都喜欢lxml，我听说lxml速度更快 所以我想知道一个比另一个有什么优势？我什么时候想使用lxml，什么时候使用BeautifulSoup会更好？还有其他库值得考虑吗？首先，BeautifulSoup不再积极维护，例如lxml 从链接页面引用： Beautiful Soup的3.1.0版 在现实世界的HTML上，情况要糟糕得多 比版本3.0.8做的更多。最 常见的问题是如何处理 标签不正确，“启动格式不正确” 标记“错误”和“坏端标记”错误。 这一页解释了发生了什么，如何发生的 这个问题将得到解决，并且 你现在能做什么 这一页最初是用英文写的 2009年3月。从那时起，3.2系列 已发布，取代了3.1 系列，以及4.x的开发 这个系列已经开始了。本页 将保持历史性的 目的 tl；dr 改用3.2.0用python-lxml或BeautifulSoup解析HTML？哪一个更好用于什么目的？,python,beautifulsoup,html-parsing,lxml,Python,Beautifulsoup,Html Parsing,Lxml,据我所知，Python中的两个主要HTML解析库是lxml和BeautifulSoup。我选择BeautifulSoup作为我正在进行的一个项目，但我选择它并不是为了别的原因，只是因为我觉得语法更容易学习和理解。但我看到很多人似乎都喜欢lxml，我听说lxml速度更快 所以我想知道一个比另一个有什么优势？我什么时候想使用lxml，什么时候使用BeautifulSoup会更好？还有其他库值得考虑吗？首先，BeautifulSoup不再积极维护，例如lxml 从链接页面引用： Beautiful S
我已经使用lxml成功地解析了HTML。它似乎在处理“soupy”HTML方面也做得很好。我强烈推荐它 下面是一个快速测试，我在测试如何处理一些难看的HTML：
import unittest
from StringIO import StringIO
from lxml import etree
class TestLxmlStuff(unittest.TestCase):
bad_html = """
<html>
<head><title>Test!</title></head>
<body>
<h1>Here's a heading
<p>Here's some text
<p>And some more text
<b>Bold!</b></i>
<table>
<tr>row
<tr><td>test1
<td>test2
</tr>
<tr>
<td colspan=2>spanning two
</table>
</body>
</html>"""
def test_soup(self):
"""Test lxml's parsing of really bad HTML"""
parser = etree.HTMLParser()
tree = etree.parse(StringIO(self.bad_html), parser)
self.assertEqual(len(tree.xpath('//tr')), 3)
self.assertEqual(len(tree.xpath('//td')), 3)
self.assertEqual(len(tree.xpath('//i')), 0)
#print(etree.tostring(tree.getroot(), pretty_print=False, method="html"))
if __name__ == '__main__':
unittest.main()
导入单元测试
从StringIO导入StringIO
从lxml导入etree
类TestLxmlStuff（unittest.TestCase）：
坏的_html=“”
测试！
这是标题
这里有一些文字
还有一些文字
大胆的
一行
测试1
测试2
跨越两个
"""
def测试（自我）：
“”“测试lxml对非常糟糕的HTML的解析”“”
parser=etree.HTMLParser（）
tree=etree.parse（StringIO（self.bad_html），解析器）
self.assertEqual（len（tree.xpath（'//tr'）），3）
self.assertEqual（len（tree.xpath（'//td'）），3）
self.assertEqual（len（tree.xpath（'//i'）），0）
#打印（etree.tostring（tree.getroot（），pretty\u print=False，method=“html”））
如果uuuu name uuuuuu='\uuuuuuu main\uuuuuuu'：
unittest.main（）
然后，您就掌握了lxml的强大功能，可以使用BeautifulSoup的优秀功能来处理真正破碎和糟糕的HTML
Pyquery这真是太棒了，我不再使用其他任何东西了。可以找到一个有点过时的速度比较，它明确推荐lxml，因为速度差异似乎很大。总之，
lxmlsoupparserBeautifulSouplxmlsoupparserlxmlBeautifulSouplxml的soupparser
它们还展示了如何从BeautifulSoup
的编码检测中获益，同时仍然可以使用lxml
快速解析：
>>> from BeautifulSoup import UnicodeDammit
>>> def decode_html(html_string):
... converted = UnicodeDammit(html_string, isHTML=True)
... if not converted.unicode:
... raise UnicodeDecodeError(
... "Failed to detect encoding, tried [%s]",
... ', '.join(converted.triedEncodings))
... # print converted.originalEncoding
... return converted.unicode
>>> root = lxml.html.fromstring(decode_html(tag_soup))
（同一来源：）
用BeautifulSoup
的创建者的话来说
就这样！玩得高兴我写了漂亮的汤来节省大家的时间。
一旦你习惯了它，你应该能够把数据从数据中分离出来
设计糟糕的网站只需几分钟。如果需要，请给我发电子邮件
有任何意见，遇到问题，或想让我知道你的
使用漂亮汤的项目
--Leonard
引自
我希望这一点现在已经清楚了。“汤”是一个出色的单人项目，旨在节省您从设计拙劣的网站中提取数据的时间。我们的目标是现在就为您节省时间，完成工作，而不是从长远来看为您节省时间，当然也不是优化软件的性能
而且从
lxml已经从Python包索引下载了两次以上
百万次，也可直接在多个软件包中提供
发行版，例如Linux或MacOS-X
而且，从
C库libxml2和libxslt有巨大的好处：。。。
符合标准。。。
<body ><em > foo <font color="red" ></font></em></body>
from ehp import *
data = '''<html> <body> <em> Hello world. </em> </body> </html>'''
html = Html()
dom = html.feed(data)
for ind in dom.find('em'):
print ind.text()
Hello world.