Python网页解析：BeautifulSoup vs lxml.html

Python里常用的网页解析库有BeautifulSoup和lxml.html，其中前者可能更知名一点吧，熊猫开始也是使用的BeautifulSoup，但是发现它实在有几个问题绕不过去，因此最后采用的还是lxml：

1. BeautifulSoup太慢。熊猫原来写的程序是需要提取不定网页里的正文，因此需要对网页进行很多DOM解析工作，经过测试可以认定BS平均比lxml要慢10倍左右。原因应该是libxml2+libxslt的原生C代码比python还是要更快吧
2. BS依赖python自带的sgmllib，但是这个sgmllib至少有两个问题。首先，它解析“class=我的CSS类”这样的字符串会有问题，参考下面的代码就知道了。

   from BeautifulSoup import BeautifulSoup
   html = u'<div class=我的CSS类>hello</div>'
   print BeautifulSoup(html).find('div')['class']

   打印出来的结果是长度为零的字符串，而不是“我的CSS类”。

   不过这个问题可以通过外围代码来解决，只要改写一下sgmllib的attrfind这个查找元素属性的正则就行，可以改成

   sgmllib.attrfind = re.compile(r'\s*([a-zA-Z_][-.:a-zA-Z_0-9]*)(\s*=\s*(\'[^\']*\'|"[^"]*"|[^\s^\'^\"^>]*))?')

   这个问题可以说是网页书写不规范造成的，也不能怨sgmllib吧，但是这和BS原来希望能解析格式不好的HTML的宗旨是相违背的。

   但是第二个问题就比较要命了，参看下面的示例代码。

   from BeautifulSoup import BeautifulSoup
   html = u'<a onclick="if(x>10) alert(x);" href="javascript:void(0)">hello</a>'
   print BeautifulSoup(html).find('a').attrs

   打印出来的结果是：

   [(u'onclick', u'if(x>10) alert(x);')]

   显然其中的href属性被抛弃了，原因就是sgmllib库在解析属性的时候一旦遇到了>等特殊符号就会结束属性的解析，要解决这个问题，只能修改sgmllib中SGMLParser的parse_starttag代码，找到292行，即k = match.end(0)这一行，添加下面的代码即可：

   if k > j:
       match = endbracket.search(rawdata, k+1)
   if not match: return -1
       j = match.start(0)

因此对比起来lxml会好很多，也许在解析某些HTML的时候真的会出问题，但是就现在使用的情况来说还是挺好的。而且lxml的xpath感觉真的很棒，几年前在折腾ASP.NET/Web Service的时候学习过XPath/XSLT之类的东西，但是实用其实挺少的，这次用lxml的xpath，能速度搞定一大堆较繁琐的元素查找，简直太爽了。例如要查找所有有name属性和content属性的meta元素：

dom.xpath('.//meta[@name][@content]')

下面是判断元素x是否是元素y的祖节点的代码：

x in y.xpath('ancestor-or-self::*')

此外，lxml里还支持string-length、count等XPath 1.0的函数(参见XPath and XSLT with lxml)。不过2.0的函数，如序列操作的函数就不行了，这需要底层libxml2和libxslt库的升级才行。

当然，lxml也有它自己的问题，那就是多线程方面貌似有重入性问题，如果需要解析大量网页，那只能启动多个进程来试试了。