我有大约。我需要从中提取信息的 40k+ html 文档。我曾尝试使用 PHP+Tidy（因为大多数文件格式不正确）+DOMDocument+XPath 但它非常慢....建议我使用正则表达式，但 html 文件未在语义上标记（表基于布局，到处都使用无意义的标签/类），我不知道我应该从哪里开始......
只是好奇，使用正则表达式（PHP/Python）是否比使用 Python 的 XPath 库更快？ Python 的 Xpath 库通常比 PHP 的对应库更快吗？
【问题讨论】：
标签： php python html regex xpath
如果需要速度，请查看lxml。 lxml 是libxml2 和libxslt C 库的pythonic 绑定。使用 C 库比任何纯 php 或 python 版本都快得多。
Ian Bicking 有一些令人印象深刻的benchmarks：
结论
在开始这些基准测试之前，我知道 lxml 很快，但没想到会这么快。
解析结果：
Parsing Resutls http://1.2.3.9/bmi/blog.ianbicking.org/wp-content/uploads/images/parsing-results.png
【讨论】：
你可以试试 Python 中的Beautiful Soup。它是一个非常棒的解析器，可以从垃圾 HTML 中生成可用的 DOM。具有一些正则表达式技能可能会为您提供所需的东西。狩猎愉快！
根据我的主观经验，Python 中的大多数比较操作都比 PHP 中的要快。部分原因是 Python 是一种编译语言，而不是在运行时解释，部分原因是 Python 已经被其贡献者优化以提高效率......
不过，对于 40k+ 的文档，还是找一台不错的快速机器 ;-)
【讨论】：
正如上一篇文章提到的，由于字节码编译（那些 .pyc 文件），Python 通常比 php 更快。无论如何，许多 DOM/SAX 解析器在内部使用了相当多的正则表达式。那些告诉你使用正则表达式的人需要被告知它不是灵丹妙药。对于超过 40k 的文档，我建议使用新的多线程或经典的 parallel python 并行化任务。
【讨论】：