以前我都是用正则表达式处理网页，对于那种非常不是经常改代码的网站，正则提取是非常好的
但对于经常改代码的网站，写一个好的正则表达式确实有点费事，用xpath就比较好，但写了脚本之后发现比以前慢一些，于是写了一个小程序测试一下速度
随便将一个百度搜索结果页另存为S:\baidu.htm，取title标签中的字符串
#coding=utf-8
import time
import re
import time
import lxml.html
f=open(r'S:\baidu.htm','r')
resp=f.read()
f.close()
t1=time.clock()
for x in xrange(1000):
title=re.search(r'<title>(.*?)</title>',resp).group(1)
print time.clock()-t1
content=resp.decode('utf-8')
dom=lxml.html.document_fromstring(content)
t2=time.clock()
for x in xrange(1000):
for item in dom.xpath('//title'):
title=item.text_content()
print time.clock()-t2
from lxml import etree
doc = etree.HTML(content)
t3=time.clock()
for x in xrange(1000):
for path in doc.xpath('//title'):
title=path.text
print time.clock()-t3
from pyquery import PyQuery
page = PyQuery(content,parser='html')
t4=time.clock()
for x in xrange(1000):
title=page('title').text()
print time.clock()-t4
结果如下
0.00576198176985
0.0840350097817
0.0778033702951
0.133525497136
确实正则很快，是其他方案的10倍以上，如果编译一下速度可能更快，pyquery最慢，中间是用lxml提取的，如果有不对的地方，希望大家指正.