lxml 和 libxml2 哪个更适合在 Python 中解析格式错误的 html？
Posted
技术标签:
【中文标题】lxml 和 libxml2 哪个更适合在 Python 中解析格式错误的 html？【英文标题】：Which of lxml and libxml2 is better for parsing malformed html in Python? 【发布时间】：2012-03-08 14:59:52 【问题描述】：对于格式错误的 html，哪一个更好、更有用？ 我找不到如何使用 libxml2。
谢谢。
【问题讨论】：
【参考方案1】：在libxml2 page你可以看到这个注释：
请注意，一些 Python 纯粹主义者不喜欢默认的 Python 绑定集，而不是抱怨，我建议他们查看 lxml，了解 libxml2 和 libxslt 的更多 Pythonic 绑定，并检查邮件列表。
在lxml 页面中还有另一个：
lxml XML 工具包是 C 库 libxml2 和 libxslt 的 Pythonic 绑定。它的独特之处在于它将这些库的速度和 XML 功能完整性与原生 Python API 的简单性结合在一起，大部分兼容但优于众所周知的 ElementTree API。
所以本质上，使用lxml，您可以获得完全相同的功能，
但是使用与标准库中的ElementTree 库兼容的pythonic API（因此这意味着标准库文档将有助于学习如何使用lxml）。这就是为什么lxml 优于libxml2 的原因（即使底层实现相同）。
编辑：话虽如此，正如其他答案所解释的那样，解析格式错误的 html 您最好的选择是使用BeautifulSoup。需要注意的一件有趣的事情是，如果您已安装 lxml，BeautifulSoup 将按照 documentation 中的说明使用它：
如果您不指定任何内容，您将获得已安装的最佳 HTML 解析器。 Beautiful Soup 将 lxml 的解析器评为最佳，然后是 html5lib，然后是 Python 的内置解析器。
无论如何，即使BeautifulSoup 在后台使用lxml，您也可以解析无法直接使用xml 解析的损坏的html。例如：
>>> lxml.etree.fromstring('<html>')
...
XMLSyntaxError: Premature end of data in tag html line 1, line 1, column 7
但是：
>>> bs4.BeautifulSoup('<html>', 'lxml')
<html></html>
最后要注意lxml还提供了旧版BeautifulSoup的接口如下：
>>> lxml.html.soupparser.fromstring('<html>')
<Element html at 0x13bd230>
所以在一天结束时，您可能会使用lxml 和BeautifulSoup。您唯一需要选择的就是您最喜欢的 API。
【讨论】：
【参考方案2】：改用 beutifulsoup。它旨在解析结构不良的数据。
http://pypi.python.org/pypi/BeautifulSoup
http://lxml.de/elementsoup.html
【讨论】：
【参考方案3】：BeautifulSoup 很好解析html。您可以查看它的示例，并发现它与其他示例相比很好。
【讨论】：
【参考方案4】：lxml 是通常推荐的。具体来说，lxml.html（如果我没记错的话）。
我相信它在底层使用了 libxml2，但如果 html 特别讨厌，则回退到 beautifulsoup，但不要相信我的话，请查看网站！ (http://lxml.de/)
【讨论】：
以上是关于lxml 和 libxml2 哪个更适合在 Python 中解析格式错误的 html？的主要内容，如果未能解决你的问题，请参考以下文章