Discussion :

[Invité]

Ça ne fonctionne que si on suppose que les balises sont bien formées:

En l'occurrence elles le seront forcément sauf si l'utilisateur copie mal le code source et dans ce cas, paf message d'erreur ! Tandis qu'avec BeautifulSoup ben il retourne une liste vide.

Après côté performances, il faut déjà balayer la chaîne de caractères 1 fois pour la découper puis une autre fois pour extraire les mots.
Si la chaîne de caractères est de longueur N, on a une complexité en 2xN

Si on cherche <b> puis à partir de là le </b> qui suit, on ne la parcourt qu'une seule fois et la complexité est N.

Effectivement même si c'est pas exactement 2xN.
'toto<b>GRAS</b>titi'
→ 'ttoottoo<b>GRAS</b>titi'

Tu ferais comment en 1N, ça m'intéresse. =)

Ma proposition sinon est 150x plus rapide que BeautifulSoup à priori, j'ai abandonné les bibliothèques spécialisées à cause de ça ! Alors oui c'est sûr c'est pas aussi safe mais la sécurité est l'ennemi de la vitesse - Ayrton Senna (ou pas).

insulte sa mémoire quelque peu....

Non mais dites donc ! Moi j'ai jamais cru que l'univers était statique ne me rabaisse pas à lui !

---

Spontanément j'utiliserai les expressions régulières

J'ai pas de chat, je ne peux pas... (Tu l'as ?)

[MPython Alaplancha]

J'ai pas de chat, je ne peux pas... (Tu l'as ?)

??

[wiztricks]

Tu ferais comment en 1N, ça m'intéresse. =)

On cherche "<b>" puis à partir de cette position, le "</b>" qui suit, s'il existe.

str.find et str.index ont des paramètres optionnels (start, end) pour passer l'indice à partir duquel rechercher (et s'arrêter).

Plus instructif serait de ne pas utiliser ces méthodes pour écrire un petit automate qui lise caractère par caractère et changement d'état.

- W

[Invité]

@Hominidé
https://www.fondamentaux.org/wp-cont...x-768x769.jpeg

@Wiz

pour passer l'indice à partir duquel rechercher (et s'arrêter)

On ne peut pas savoir où s'arrêter mais effectivement on peut lui dire où commencer plutôt que de faire du text[i:].index('</b>') comme je fais habituellement.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
def t2():
	text = '<b></b>toto<b>GRAS</b><b>BOLD</b>titi<b></b>'
	i = 3            #On commencera le text à partir de l'indice 3
	n = len(text)    #Nb de caractères
	liste = []       #Liste de stockage des mots en gras
	opened = False   #True si balise ouvrante détectéé
	while i<n:
		#Si les 3 caractères précédents valent '<b>' ...
		if text[i-3:i] == '<b>':
			liste.append('')
			opened = True
		#Si les 4 caractères suivants valent '</b>' ...
		if text[i:i+4] == '</b>':
			opened = False
			i+=3
		#Si balise GRAS ouvrante détectée ...
		if opened:
			liste[-1] += text[i]
		i+=1
	return liste

Seulement 6 fois plus lent que la compréhension de liste donc encore bien plus rapide que BeautifulSoup.
Y a moyen de faire mieux ? J'ai essayé avec for i, char in enumerate(text) mais je n'ai pas réussi à passer les caractères '</b>' (i+=4)

[wiztricks]

J'ai essayé avec for i, char in enumerate(text) mais je n'ai pas réussi à passer les caractères '</b>' (i+=4)

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
for ch in text:
     ...

devrait suffire après, pour traiter caractère par caractère avec une mémoire, il y a du boulot et c'est l'intérêt de l'exercice.

Quelque chose comme text[i-3:i] == '<b>' extrait la sous-chaine de 4 caractères.... et donc on balaie bien plus de caractères que la chaîne en contient.

- W

[jurassic pork]

Hello,

Ma proposition sinon est 150x plus rapide que BeautifulSoup à priori, j'ai abandonné les bibliothèques spécialisées à cause de ça ! Alors oui c'est sûr c'est pas aussi safe mais la sécurité est l'ennemi de la vitesse - Ayrton Senna (ou pas).

Je ne sais pas comment tu as fais le calcul de performance mais moi je ne trouve pas ce genre d'écart. Si tu as utilisé des boucles, dans la boucle il ne faut pas inclure le temps de chargement du contenu HTML. On ne le compte qu'une seule fois.
Voici un test de performance en utilisant beautifulsoup, les expressions régulières, lxml, le code de LeNarvalo avec en entrée la page HTML https://www.developpez.net/forums/d2...s-gras-d-text/
Dans le test je fais une boucle de 1000 itérations sur la recherche des balises <b>.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
from bs4 import BeautifulSoup
from lxml.html import fromstring
import time
import re
htmlfile = "d:/temp/test.html"
markup = open(htmlfile)
htmlString = markup.read()
markup.close()
start = time.time()
soup = BeautifulSoup(htmlString,'html.parser')
for i in range(1000):
    motsEnGras = soup.findAll('b')
end = time.time()
print("temps de recherche beautifulsoup : " + str(end-start) + " secondes")
print("beautifulsoup a trouvé " + str(len(motsEnGras)) + " balises")
print(motsEnGras)
regex = '<b>(.+?)</b>'
start = time.time()
for i in range(1000):
 match = re.findall(regex, htmlString)
end = time.time()
print("temps de recherche regex : " + str(end-start) + " secondes")
print("regex a trouvé " + str(len(match)) + " balises")
print(match)
innerTree = fromstring(htmlString)
start = time.time()
for i in range(1000):
 bolds = innerTree.cssselect('b')
end = time.time()
print("temps de recherche lxml : " + str(end-start) + " secondes")
print("lxml a trouvé " +  str(len(bolds))  + " balises" )
print( [mot.text_content() for mot in bolds])
start = time.time()
for i in range(1000):
    listeMots = [obj[obj.index('<b>')+3:] for obj in htmlString.split('</b>')[:-1]]
end = time.time()
print("temps de recherche du code de LeNarvalo : " + str(end-start) + " secondes")
print("Le code de LeNarvalo a trouvé " + str(len(listeMots))  + " balises")
print(listeMots)

Résultats :

temps de recherche beautifulsoup : 1.2977912425994873 secondes
beautifulsoup a trouvé 64 balises
temps de recherche regex : 0.2655637264251709 secondes
regex a trouvé 66 balises
temps de recherche lxml : 0.12497472763061523 secondes
lxml a trouvé 64 balises
temps de recherche du code de LeNarvalo : 0.374908447265625 secondes
Le code de LeNarvalo a trouvé 66 balises

A noter que la différence du nombre de balises trouvées vient du fait qu'il y a deux balises qui se trouvent en dehors du corps du HTML (<body>). regex et le code de Narvalo ne transforment pas non plus les codes des accents HTML ce que font beautifulsoup et lxml ( ex : install&eacute; -> installé).
Ami calmant, J.P

[Invité]

Oui j'ai inclut l'ouverture du fichier.
Je me suis dit que BeautifulSoup prétrie les données à l'ouverture ?


Je pense qu'ainsi le code ça sera plus rapide :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

listeMots = [obj[:obj.index('</b>')] for obj in htmlString.split('<b>')[1:]]

Il est plus fréquent de voir un mot en gras que toute un paragraphe. ^^