BeautifulSoup中各种html解析器的比较及使用

小灰灰 2022-08-04 08:46 185阅读 0赞

## Beautiful Soup解析器比较 ##

·Beautiful Soup支持各种html解析器，包括python自带的标准库，还有其他的许多第三方库模块。其中一个就是[**lxml parser**][lxml parser]，至于[lxml parser][]的安装，可以通过以下方法安装：

**1）easy\_install lxml   2）pip install lxml    **

另外，python对于模块的安装，可以查看博客说明，分为两种：[easy\_install ][easy_install]和 [ pip][pip].

另外一种纯python解析器为[html5lib][]解析器，可以像web浏览器那样解析html页面，你可以通过下面两种方式安装[html5lib][]：

1）easy\_install html5lib   2）pip install html5lib

**下面对各种html解析器的优缺点做一下对比：**

<table style="font-weight:bold"> 
 <tbody> 
 <tr> 
 <th>解析器</th> 
 <th>使用方法</th> 
 <th>优点</th> 
 <th>缺点</th> 
 </tr> 
 </tbody> 
 <tbody> 
 <tr> 
 <td>Python’s html.parser</td> 
 <td>BeautifulSoup(markup,"html.parser")</td> 
 <td> 
 <ul style="font-family:sans-serif; font-size:16px; margin-top:0px!important"> 
 <li style="text-align:justify; line-height:20.7999992370605px">python自身带有</li> 
 <li style="text-align:justify; line-height:20.7999992370605px">速度比较快</li> 
 <li style="text-align:justify; line-height:20.7999992370605px">能较好兼容&nbsp;(as of Python 2.7.3 and 3.2.) </li> 
 </ul> </td> 
 <td>不能很好地兼容(before Python 2.7.3 or 3.2.2)</td> 
 </tr> 
 <tr> 
 <td>lxml’s HTML parser</td> 
 <td>BeautifulSoup(markup,"lxml")</td> 
 <td> 
 <ul style="font-family:sans-serif; font-size:16px; margin-top:0px!important"> 
 <li style="text-align:justify; line-height:20.7999992370605px">速度很快</li> 
 <li style="text-align:justify; line-height:20.7999992370605px">兼容性好</li> 
 </ul> </td> 
 <td>External C dependency</td> 
 </tr> 
 <tr> 
 <td>lxml’s XML parser</td> 
 <td>BeautifulSoup(markup,&nbsp;"lxml-xml")&nbsp;BeautifulSoup(markup,"xml")</td> 
 <td>&nbsp; &nbsp;速度很快 
 <ul style="font-family:sans-serif; font-size:16px; margin-top:0px!important"> 
 <li style="text-align:justify; line-height:20.7999992370605px">The only currently supported XML parser</li> 
 </ul> </td> 
 <td>External C dependency</td> 
 </tr> 
 <tr> 
 <td>html5lib</td> 
 <td>BeautifulSoup(markup,&nbsp;"html5lib")</td> 
 <td>1)兼容性很好 2)可以像web浏览器一样解析html页面 3)&nbsp;Creates valid HTML5</td> 
 <td> 
 <ul style="font-family:sans-serif; font-size:16px; margin-top:0px!important"> 
 <li style="text-align:justify; line-height:20.7999992370605px">速度很慢</li> 
 </ul> 
 <ul style="font-family:sans-serif; font-size:16px; margin-top:0px!important"> 
 <li style="text-align:justify; line-height:20.7999992370605px">External Python dependency</li> 
 </ul> </td> 
 </tr> 
 </tbody> 
</table>

如果你想追求速度的话，建议使用 **lxml,**如果你使用的python版本2.x是2.7.3之前的版本，或者python3.x的是3.2.2之前的版本，你很有必要安装使用 html5lib或lxml使用，因为python内建的html解析器不能很好地适应于这些老版本。

[lxml parser]: http://lxml.de/
[easy_install]: http://blog.csdn.net/winterto1990/article/details/47453211
[pip]: http://blog.csdn.net/winterto1990/article/details/47455405
[html5lib]: http://code.google.com/p/html5lib/