有没有办法用lxml解析HTML，使用minidom进行操作？

Question

我有一个应用程序，里面使用了html5lib来解析HTML内容。我使用的是minidom接口，因为我需要一个真正的DOM API，而ElementTree不太适合我现在的需求。

这是我实现的方式：

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

不过，解析非常大的文件变得很慢，性能成了瓶颈。而且我测试过，lxml的解析速度比html5lib快大约80倍。

我该如何使用lxml或者其他类似的快速且能容忍糟糕HTML的库来解析，并且用一个兼容DOM的API来进行操作呢？

Answer 1

我想我找到了一个解决办法：

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

不过，这个方法的速度也只是比html5lib快大约7倍。调用saxify这个过程花费的时间还挺长的。