假設(shè)我們需要從各種網(wǎng)頁中提取全文，并且要剝離所有HTML標記。通常，默認解決方案是使用BeautifulSoup軟件包中的get_text方法，該方法內(nèi)部使用lxml。這是一個經(jīng)過充分測試的解決方案，但是在處理成千上萬個HTML文檔時可能會非常慢。
通過用selectolax替換BeautifulSoup，您幾乎可以免費獲得5-30倍的加速！
這是一個簡單的基準測試，可分析commoncrawl(`處理NLP問題時，有時您需要獲得大量的文本集。互聯(lián)網(wǎng)是文本的最大來源，但是不幸的是，從任意HTML頁面提取文本是一項艱巨而痛苦的任務(wù)。
假設(shè)我們需要從各種網(wǎng)頁中提取全文，并且要剝離所有HTML標記。通常，默認解決方案是使用BeautifulSoup軟件包中的get_text方法，該方法內(nèi)部使用lxml。這是一個經(jīng)過充分測試的解決方案，但是在處理成千上萬個HTML文檔時可能會非常慢。
通過用selectolax替換BeautifulSoup，您幾乎可以免費獲得5-30倍的加速！這是一個簡單的基準測試，可分析commoncrawl(https://commoncrawl.org/)的10,000個HTML頁面：
# coding: utf-8
from time import time
import warc
from bs4 import BeautifulSoup
from selectolax.parser import HTMLParser
def get_text_bs(html):
tree = BeautifulSoup(html, 'lxml')
body = tree.body
if body is None:
return None
for tag in body.select('script'):
tag.decompose()
for tag in body.select('style'):
tag.decompose()
text = body.get_text(separator='\n')
return text
def get_text_selectolax(html):
tree = HTMLParser(html)
if tree.body is None:
return None
for tag in tree.css('script'):
tag.decompose()
for tag in tree.css('style'):
tag.decompose()
text = tree.body.text(separator='\n')
return text
def read_doc(record, parser=get_text_selectolax):
url = record.url
text = None
if url:
payload = record.payload.read()
header, html = payload.split(b'\r\n\r\n', maxsplit=1)
html = html.strip()
if len(html) > 0:
text = parser(html)
return url, text
def process_warc(file_name, parser, limit=10000):
warc_file = warc.open(file_name, 'rb')
t0 = time()
n_documents = 0
for i, record in enumerate(warc_file):
url, doc = read_doc(record, parser)
if not doc or not url:
continue
n_documents += 1
if i > limit:
break
warc_file.close()
print('Parser: %s' % parser.__name__)
print('Parsing took %s seconds and produced %s documents\n' % (time() - t0, n_documents))
>>> ! wget https://commoncrawl.s3.amazonaws.com/crawl-data/CC-MAIN-2018-05/segments/1516084886237.6/warc/CC-MAIN-20180116070444-20180116090444-00000.warc.gz
>>> file_name = "CC-MAIN-20180116070444-20180116090444-00000.warc.gz"
>>> process_warc(file_name, get_text_selectolax, 10000)
Parser: get_text_selectolax
Parsing took 16.170367002487183 seconds and produced 3317 documents
>>> process_warc(file_name, get_text_bs, 10000)
Parser: get_text_bs
Parsing took 432.6902508735657 seconds and produced 3283 documents
顯然，這并不是對某些事物進行基準測試的最佳方法，但是它提供了一個想法，即selectolax有時比lxml快30倍。
selectolax最適合將HTML剝離為純文本。如果我有10,000多個HTML片段，需要將它們作為純文本索引到Elasticsearch中。（Elasticsearch有一個html_strip文本過濾器，但這不是我想要/不需要在此上下文中使用的過濾器）。事實證明，以這種規(guī)模將HTML剝離為純文本實際上是非常低效的。那么，最有效的方法是什么？
from pyquery import PyQuery as pq
text = pq(html).text()
from selectolax.parser import HTMLParser
text = HTMLParser(html).text()
import re
regex = re.compile(r'.*?>')
text = clean_regex.sub('', html)
結(jié)果
我編寫了一個腳本來計算時間，該腳本遍歷包含HTML片段的10,000個文件。注意！這些片段不是完整的html>文檔（帶有head>和body>等），只是HTML的一小部分。平均大小為10,314字節(jié)（中位數(shù)為5138字節(jié)）。結(jié)果如下：
pyquery
SUM: 18.61 seconds
MEAN: 1.8633 ms
MEDIAN: 1.0554 ms
selectolax
SUM: 3.08 seconds
MEAN: 0.3149 ms
MEDIAN: 0.1621 ms
regex
SUM: 1.64 seconds
MEAN: 0.1613 ms
MEDIAN: 0.0881 ms
我已經(jīng)運行了很多次，結(jié)果非常穩(wěn)定。重點是：selectolax比PyQuery快7倍。
正則表達式好用？真的嗎？
對于最基本的HTML Blob，它可能工作得很好。實際上，如果HTML是p> Foo＆ Bar / p>，我希望純文本轉(zhuǎn)換應該是Foo＆Bar，而不是Foo＆ bar。
更重要的一點是，PyQuery和selectolax支持非常特定但對我的用例很重要的內(nèi)容。在繼續(xù)之前，我需要刪除某些標簽（及其內(nèi)容）。例如：
h4 class="warning">This should get stripped./h4>
p>Please keep./p>
div style="display: none">This should also get stripped./div>
正則表達式永遠無法做到這一點。
2.0 版本
因此，我的要求可能會發(fā)生變化，但基本上，我想刪除某些標簽。例如：div class =“ warning”> 、 div class =“ hidden”> 和 div style =“ display：none”>。因此，讓我們實現(xiàn)一下：
from pyquery import PyQuery as pq
_display_none_regex = re.compile(r'display:\s*none')
doc = pq(html)
doc.remove('div.warning, div.hidden')
for div in doc('div[style]').items():
style_value = div.attr('style')
if _display_none_regex.search(style_value):
div.remove()
text = doc.text()
from selectolax.parser import HTMLParser
_display_none_regex = re.compile(r'display:\s*none')
tree = HTMLParser(html)
for tag in tree.css('div.warning, div.hidden'):
tag.decompose()
for tag in tree.css('div[style]'):
style_value = tag.attributes['style']
if style_value and _display_none_regex.search(style_value):
tag.decompose()
text = tree.body.text()
這實際上有效。當我現(xiàn)在為10,000個片段運行相同的基準時，新結(jié)果如下：
pyquery
SUM: 21.70 seconds
MEAN: 2.1701 ms
MEDIAN: 1.3989 ms
selectolax
SUM: 3.59 seconds
MEAN: 0.3589 ms
MEDIAN: 0.2184 ms
regex
Skip
同樣，selectolax擊敗PyQuery約6倍。
結(jié)論
正則表達式速度快，但功能弱。selectolax的效率令人印象深刻。
以上就是python 提取html文本的方法的詳細內(nèi)容，更多關(guān)于python 提取html文本的資料請關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:- Python識別html主要文本框過程解析
- Python使用get_text()方法從大段html中提取文本的實例
- python爬蟲入門教程--HTML文本的解析庫BeautifulSoup（四）
- Python轉(zhuǎn)換HTML到Text純文本的方法
- python如何發(fā)送帶有附件、正文為HTML的郵件
- python中HTMLParser模塊知識點總結(jié)
- python郵件中附加文字、html、圖片、附件實現(xiàn)方法
- python 將html轉(zhuǎn)換為pdf的幾種方法
- python爬蟲beautifulsoup解析html方法
- python爬蟲 requests-html的使用
- 關(guān)于pycharm 切換 python3.9 報錯 ‘HTMLParser‘ object has no attribute ‘unescape‘ 的問題
- Python HTMLTestRunner如何下載生成報告
