html5lib python_Python中的html5lib和lxml解析器

html5lib是用于解析HTML的纯Python库。它被设计为符合WHATWG HTML规范，所有主要的Web浏览器都实现了该规范。它可以解析HTML文档的几乎所有元素，将其分解为不同的标记和片段，可以针对各种用例将其过滤掉。它以与主要浏览器相同的方式解析文本。它还可以处理损坏的HTML标记并添加一些必要的标记以完成结构。它也是用纯python代码编写的。

lxml也是一个类似的解析器，但是由XML特性驱动，而不是由HTML驱动。它依赖于外部C库。与html5lib相比，它更快。

让我们通过一个样本标签示例观察这两个解析器在行为上的差异，并查看输出。

示例from bs4 import BeautifulSoup

html5_structure = BeautifulSoup("

", "html5lib")

print(html5_structure)

lxml_structure = BeautifulSoup("

", "lxml")

print(lxml_structure)

运行上面的代码给我们以下结果

输出结果

如我们所见，html5lib通过合并

标签。lxml库更侧重于类似xml的结构，并且完全忽略了标记。