J'ai une question simple:
lorsque vous utilisez BeautifulSoup pour gratter une certaine partie d'un site Web, vous pouvez utiliser data.find()
, data.findAll()
ou data.select()
.
Maintenant, la question est. Existe-t-il une différence significative entre les méthodes .find()
et .select()
? (par exemple en termes de performances ou de flexibilité, ou ...)
ou sont-ils les mêmes?
Sincères amitiés
Pour résumer les commentaires:
soup.select("div[id=foo] > div > div > div[class=fee] > span > span > a")
serait assez moche en utilisant plusieurs appels chaînés find/find_all .find("a", href=re.compile(....))
mais encore une fois c'est personnel préférence.Pour les performances, nous pouvons exécuter des tests, j'ai modifié le code à partir d'un réponse ici fonctionnant sur plus de 800 fichiers html extraits de ici , il n'est pas exhaustif mais devrait donner un indice sur la lisibilité de certaines options et les performances:
Les fonctions modifiées sont:
from bs4 import BeautifulSoup
from glob import iglob
def parse_find(soup):
author = soup.find("h4", class_="h12 talk-link__speaker").text
title = soup.find("h4", class_="h9 m5").text
date = soup.find("span", class_="meta__val").text.strip()
soup.find("footer",class_="footer").find_previous("data", {
"class": "talk-transcript__para__time"}).text.split(":")
soup.find_all("span",class_="talk-transcript__fragment")
def parse_select(soup):
author = soup.select_one("h4.h12.talk-link__speaker").text
title = soup.select_one("h4.h9.m5").text
date = soup.select_one("span.meta__val").text.strip()
soup.select_one("footer.footer").find_previous("data", {
"class": "talk-transcript__para__time"}).text
soup.select("span.talk-transcript__fragment")
def test(patt, func):
for html in iglob(patt):
with open(html) as f:
func(BeautifulSoup(f, "lxml")
Maintenant pour les horaires:
In [7]: from testing import test, parse_find, parse_select
In [8]: timeit test("./talks/*.html",parse_find)
1 loops, best of 3: 51.9 s per loop
In [9]: timeit test("./talks/*.html",parse_select)
1 loops, best of 3: 32.7 s per loop
Comme je l'ai dit pas exhaustif, mais je pense que nous pouvons dire en toute sécurité que les sélecteurs css sont certainement plus efficaces.