Python lxml-xslt性能与xpath和replace

我有一些代码，作为其运行的一部分，它将HTML文档转换为另一种形式以便于输出。（基本上是HTML到BBCode。）

我目前正在通过定义XPath和替换的字典来实现这一点，然后使用lxml中的工具对字典进行迭代：

change_xpaths = {
                  XPath(".//span[contains(@style, 'font')]") : "font",
                  XPath(".//span[contains(@style, 'color')]") : "color",
                  XPath(".//span[contains(@style, 'size')]") : "size"
                  }

replace_xpaths = {
            XPath(".//span[@style='text-decoration: underline']") : "u",
            XPath(".//span[@style='text-decoration: line-through']") : "s",
            XPath(".//div[@style='padding-left: 30px']") : "remove"
                }

def _clean_text(cls, raw):
    for ele in cls.struck_through_xpath(raw):
        ele.getparent().remove(ele)
    for xp, repl in cls.replace_xpaths.items():
        for ele in xp(raw):
            ele.attrib.pop("style")
            ele.tag = repl
    for xp, chng in cls.change_xpaths.items():
        for ele in xp(raw):
            ele.tag = chng
    for br in raw.xpath(".//br"):
        try:
            br.tail = "\n" + br.tail
        except TypeError:
            br.tail = "\n"
    strip_elements(raw, 'img', with_tail = False)
    strip_elements(raw, 'br', with_tail = False)
    strip_tags(raw, 'remove')

（这确实是类定义的一部分。）

我知道我也可以使用xslt转换来实现这一点

首先，我想确认我确实可以用xslt完成这一切，也就是说，用非标准标记替换一些标记，完全删除标记，同时保留它们的文本或尾部内容

第二，我想知道这样做是否能显著提高绩效？但是，我怀疑是这样，我似乎在互联网上找不到太多关于这方面的信息。

问题1：是的，XSLT可以做到这一点。但似乎您只是忽略了字体、颜色和大小值。实际上，使用XSLT1.0从内联CSS解析这些值可能会很复杂

问题2：我认为速度会明显加快。使用当前的解决方案，您必须多次迭代文档的所有节点（超过10次，AFAIC）。使用XSLT样式表，每个输入节点只访问一次。另外，由于lxml基于libxml2和libxslt，因此需要较少的对C-API的调用，根据我的经验，这可能会非常昂贵

OTOH，通过重写Python代码只扫描文档一次，可以获得类似的性能提升

如果进行多次转换，请确保只编译一次XSLT样式表

在XSLT级别也有一些可能的优化。最优雅的方法是编写如下模板：

<xsl:template match="span[contains(@style, 'font')]">...
<xsl:template match="span[contains(@style, 'color')]">...
<xsl:template match="span[contains(@style, 'size')]">...

。。。
...
...

对于每个元素名使用一个模板可能会更快一些，如下所示：

<xsl:template match="span">
    <xsl:choose>
        <xsl:when test="contains(@style, 'font')">...
        <xsl:when test="contains(@style, 'color')">...
        <xsl:when test="contains(@style, 'size')">...

...
...
...

感谢您的回复！实际上，我并不完全忽略颜色、字体和大小值；我只是先用XPath将它们清理一下，然后用正则表达式将它们替换成所需的

[color=#123456]

。另外，我如何重写它，使它只在文档中浏览一次？除了一些笨重的状态机，我真的看不到其他方法。我可以遍历整个文档，并根据测试字典测试每个节点。但是，这会比测试每个XPath的成本更低吗？经过仔细考虑，如果对C的调用本身是昂贵的，我根本不确定迭代文档并在每个节点上调用测试的成本是否会更低。我肯定会用这种方式调用更多的C函数！