Existe-t-il un moyen d'analyser html avec lxml, mais de le manipuler avec minidom?

Question

J'ai une application où j'utilise html5lib pour analyser libéralement html. J'utilise l'interface minidom, car j'ai besoin d'une API DOM réelle et ElementTree n'est pas approprié pour ce que je fais.

Voilà comment je fais ceci:

parser = html5lib.XHTMLParser(tree=html5lib.treebuilders.getTreeBuilder('dom')) 
parser.parse(html) 

Cependant, l'analyse des fichiers énormes devient un goulot d'étranglement, et l'analyse syntaxique lxml est d'environ 80 fois plus rapide que html5lib (je benchmarkée il).

Comment est-ce que j'analyse avec lxml ou une bibliothèque tolérant le mauvais-html rapidement semblable, et manipule avec une API compatible de DOM?

Answer 1

pense avoir trouvé une solution:

from xml.dom.pulldom import SAX2DOM 
import lxml.sax 
def parse_lxml_dom(html): 
    tree = lxml.html.document_fromstring(html) 
    handler = SAX2DOM() 
    lxml.sax.saxify(tree, handler) 
    return handler.document 

Cependant, ceci est seulement environ 7 fois plus rapide que html5lib. L'appel de saxification prend beaucoup de temps.