简单比较 BeautifulSoup 和 Xpath 的性能

一、介绍

这篇文章并不是为了比较出结论，因为结论是显而易见的，Xpath 必然比 BeautifulSoup 在时间和空间上都要性能更好一些。一个很明显的理由是，BeautifulSoup 在构建一个对象的时候需要传入一个参数以指定解析器，而在它支持的众多的解析器中，lxml 是性能最佳的，BeautifulSoup 对象的各种方法可以理解为是对 lxml 的封装，换句话说，BeautifulSoup 本质上并没有创造出自己的解析方式，而是建立在各种解析器的基础上。考虑到其他一些内部耗时因素，BeautifulSoup 注定会比 lxml 甚至是任何一个构建对象时使用的解析器要慢，要更耗费空间。正如在算法领域有“牺牲部分空间换时间”这样的思想，工程领域也经常有“牺牲部分性能换易用性”的实践。只有付出这样子的代价才能够换来它的简洁、优美与用户友好性。

因此，本文只是通过一个爬虫例子来简单验证一下这个结论，以及对它们之间的差距有一个数量上的认识。

二、测试过程

2.1 测试程序

# test.py
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup, SoupStrainer
import traceback
import json
from lxml import etree
import re
import time

def getHtmlText(url):
    try:
        r = requests.get(url, headers=headers)
        r.raise_for_status()
        if r.encoding == 'ISO-8859-1':
            r.encoding = r.apparent_encoding
        return r.text
    except:
        traceback.print_exc()
        
def parseWithBeautifulSoup(html_text):
    soup = BeautifulSoup(html_text, 'html.parser') # 后改为 'lxml'
    content = []
    for mulu in soup.find_all(class_='mulu'):
        h2 = mulu.find('h2')
        if h2 != None:
            h2_title = h2.string # 获取标题
            lst = []
            for a in mulu.select('div.box a'):
                href = a.get('href')
                box_title = a.get('title')
                pattern = re.compile(r'\s*\[(.*)\]\s+(.*)') # (re) 匹配括号内的表达式，也表示一个组
                match = pattern.search(box_title)
                if match != None:
                    date = match.group(1)
                    real_title = match.group(2)
                    lst.append({'href':href,'title':real_title,'date':date})
            content.append({'title':h2_title,'content':lst})
    with open('dmbj_bs.json', 'w') as fp:
        json.dump(content, fp=fp, indent=4)

def parseWithXpath(html_text):
    html = etree.HTML(html_text)
    div_mulus = html.xpath('.//*[@class="mulu"]') # 先找到所有的 div class=mulu 标记
    content = []
    for div_mulu in div_mulus:
        # 找到所有的 div_h2 标记
        div_h2 = div_mulu.xpath('./div[@class="mulu-title"]/center/h2/text()')
        if len(div_h2) > 0:
            h2_title = div_h2[0]
            a_s = div_mulu.xpath('./div[@class="box"]/ul/li/a')
            lst = []
            for a in a_s:
                # 找到 href 属性
                href = a.xpath('./@href')[0]
                # 找到 title 属性
                box_title = a.xpath('./@title')[0]
                pattern = re.compile(r'\s*\[(.*)\]\s+(.*)') # (re) 匹配括号内的表达式，也表示一个组
                match = pattern.search(box_title)
                if match != None:
                    date = match.group(1)
                    real_title = match.group(2)
                    lst.append({'href':href,'title':real_title,'date':date})
            content.append({'title':h2_title,'content':lst})
    with open('dmbj_xp.json', 'w') as fp:
        json.dump(content, fp=fp, indent=4)
    
def main():
    html_text = getHtmlText('http://www.seputu.com')
    print(len(html_text))
    start = time.clock()
    parseWithBeautifulSoup(html_text)
    print('BSoup cost:', time.clock()-start)
    start = time.clock()
    parseWithXpath(html_text)
    print('Xpath cost:', time.clock()-start)
    
if __name__ == '__main__':
    user_agent = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
    headers={'User-Agent': user_agent}
    main()

2.2 运行截图

html.parser

lxml

2.3 结果分析

从运行截图的对比中可以看出，当我们使用 html.parser 作为解析器时，BeautifulSoup 解析的耗时平均是 Xpath 的 1.8 倍；当我们使用 lxml 作为解析器时，BeautifulSoup 解析的耗时虽有减少，但平均仍是 Xpath 的 1.5 倍+。意味着在解析耗时方面，Be autifulSoup（lxml）略大于 BeautifulSoup（html.parser），远大于 XPath（lxml）。

三、总结

BeautifulSoup 这碗美味汤确实是美味可口，但是一碗好汤的煲制时间和用料上面都更加花费，这无可厚非。虽然 Xpath 相对来说可能语义性没有前者强，但总体也是 user-friendly，也很好用，功能十分强大，最重要的是它的底层解析器 lxml 是用 C 编写的，速度自然就不必说了。如果你十分追求高效率和资源节约，Xpath 是非常好的选择（如果你能熟练使用的话）。