我希望能够在Python中有效解析大型HTML文档。我知道丽莎·戴利（Liza Daly）的快速仪和Python自己的Celementtree中的类似概念。但是，这两个都没有处理损坏的XML，html读起来为良好。此外，该文档可能包含其他损坏的XML。
同样，我知道这样的答案，建议根本不使用任何形式的iterparse，这实际上是我使用的。但是，我试图优化经过计划中最大的瓶颈，即文档的解析。
此外，我使用sax式目标处理程序进行LXML解析器进行了一些实验 - 我不确定发生了什么，但这会导致Python停止工作！不仅会抛出一个例外，而且" python.exe已经停止工作"消息弹出窗口。我不知道这里发生了什么，但是我什至不确定这种方法实际上是否比标准解析器更好，因为我在互联网上几乎看不到它。
因此，我的问题是：是否有与iterparse相似的东西，允许我快速有效地通过文档解析，当文档形成XML时，这不会使SNIT适合（即。从形成不佳的XML）？
我会使用这个。
https://github.com/iogf/ehp
它比LXML快，并且处理破损的HTML。
from ehp import *
doc = '''<html>
<body>
<p> cool </html></body>'''
html = Html()
dom = html.feed(doc)
print dom
它根据可能的HTML结构构建AST。然后，您可以在AST上工作。