GAE的HTML解析器

Question

一般来说，我会使用 lxml 来处理HTML解析的需求，但在Google App Engine上无法使用这个工具。一个明显的替代选择是 BeautifulSoup，不过我发现它在处理格式不正确的HTML时容易出问题。目前我在测试 libxml2dom，结果要好一些。

你们发现哪个纯Python的HTML解析器表现最好？我最看重的是能处理糟糕HTML的能力，而不是速度。

Answer 1

来自BeautifulSoup的文档：

Beautiful Soup的3.1.0版本在处理真实的HTML时表现得比3.0.8版本差很多。

所以，使用这个较早的版本可能会对你有帮助。实际上，作者自己也推荐这样做。

你可以假装Beautiful Soup的3.1.0版本从来没有发布过。3.0.8版本在Python 2.3到2.6之间仍然可以正常工作。

Answer 2

这个问题已经解决了 - lxml 现在得到了支持：https://developers.google.com/appengine/docs/python/tools/libraries27