Html Parsing vs. Regex

Question

У меня есть фиксированный хорошо структурированный источник html, входящие данные ясные и маленькие, просто содержит небольшой список div. Я знаю, что с использованием анализатора html для синтаксического анализа html, но это похоже на конкретный случай, и я не уверен, какой из них я должен использовать. Условия проблемы ниже

• данных ясно и хорошо структурирована
• данных мал
• вопросы производительности, приложение должно быть в состоянии получить столько, сколько данных, которые possibble
• Приложение будет записывать данные в MongoDB база данных
• Реализация языка программирования будет Scala или Python

Любое мнение ценно, так что я должен делать?

Answer 1

Я по-прежнему придерживаюсь использования HTML Parser, потому что, по крайней мере, существует определенный формат данных и специализированный инструмент, который понимает формат.

Если производительность имеет значение здесь, есть невероятно быстрый пакет lxml. Для HTML используйте lxml.html.

Вы также можете использовать удивительный пакет BeautifulSoup и let it use lxml parser under-the-hood. Кроме того, если данные, которые необходимо проанализировать, находятся в определенной части документа HTML, вы можете получить выигрыш в производительности, попросив BeautifulSoup проанализировать только соответствующую часть документа HTML, см. Больше по адресу: Parsing only part of a document.

И, чтобы следовать традициям для HTML + регулярных выражений потоков, вот ссылка на известную тему покрытия причин, почему вы не должны использовать регулярные выражения для разбора HTML:

• RegEx match open tags except XHTML self-contained tags