ローカル実測/HTML処理

BeautifulSoupとparselのHTMLからの文字抽出を比較

この記事の料金・仕様は時点で各社の公式ページを確認したものです。

二つの道具がHTMLの段落から文字を取り出す様子を表した抽象イラスト

どちらのライブラリを使うか迷う人向けに、測定の条件と結果を並べました。空白の扱いが違う点が、乗り換えのときに一番ひっかかるところです。

結論

同じ木から何度も段落を取り出す人は
BeautifulSoupが向きます。木を作ったあとの抽出が速く、読み込みを一度で済ませて何度も探す使い方ほど差が出ます。
大きなHTMLを一度読んで全部抜く人は
parselが向きます。読み込みが速く、全工程の合計でも四つの条件のうち三つで先に終わりました。

同じ100段落のHTMLを木に読み込むだけなら、parselは0.0532ミリ秒、BeautifulSoupは0.6512ミリ秒でした。 ところが、読み込み済みの木から文字を取り出す段になると、順位が逆になります。

BeautifulSoupは0.0702ミリ秒、parselは0.9265ミリ秒でした。 さらに、空白だけの段落を混ぜた条件では、12段落のうち6段落で両者の出力が食い違いました。

抽出した文字列の一致:普通の文書は全件そろい、空白だけ割れた

ふつうに文章が入った3種類の文書では、取り出した文字列のリストが期待値と全件一致しました。 食い違ったのは、空白だけの段落を含む文書です。

測ったのは次の4種類の人工HTMLです。 文書ごとに、BeautifulSoupとparselの出力を、手で書いた期待値と突き合わせました。

条件中身段落数両者が一致BeautifulSoupと期待値が一致parselと期待値が一致
plain100英数字と日本語の単純な段落100件100件100件100件
rich100入れ子の装飾や文字参照を含む段落100件100件100件100件
rich1000rich100と同じ型を繰り返したもの1000件1000件1000件1000件
whitespace12空白・タブ・改行だけの段落を含む12件6件6件12件

ここが落とし穴です。 空白だけの段落で、両者の返す文字列が違いました。

たとえば、空白とタブだけの入力を、BeautifulSoupは空白1個にして返しました。 parselは入力どおりの文字列を返しました。 改行と空白だけの入力でも、BeautifulSoupは改行1個になり、parselは元のままでした。

この差は、使ったAPIの既定の動きの違いです。 文字の前後の空白を後で分析に使うなら、parsel側のほうが入力に忠実でした。

文字参照(& のようにHTMLで記号を書く書き方)や入れ子の装飾は、どちらも同じ結果でした。

HTML読み込みと要素検索:読み込みはparsel、検索はBeautifulSoup

読み込みはparselが速く、読み込み済みの木からの検索と抽出はBeautifulSoupが速い、というのが測定の結果です。 四つの条件のすべてで、同じ向きに差が出ました。

「読み込み」は、HTMLの文字列を、入れ子の形で覚えた入れ物(木)に変える作業です。 「抽出」は、その木からp要素を探して、中の文字をつなげる作業です。 下の表は、この二つを別々に測った、1文書あたりの時間の中央値です。

条件段階BeautifulSoup(ミリ秒)parsel(ミリ秒)
plain100読み込みだけ0.65120.0532
plain100抽出だけ0.07020.9265
rich100読み込みだけ1.35430.0876
rich100抽出だけ0.09530.8810
rich1000読み込みだけ10.58310.6842
rich1000抽出だけ0.81608.0718
whitespace12読み込みだけ0.12220.0122
whitespace12抽出だけ0.00990.0978

parselの公式ページは、XPathやCSSセレクターで文書から情報を取り出すと説明しています。 今回のparselは、各p要素ごとにXPathを呼んで文字を取る書き方でした。

その書き方だと、p要素の数が増えるほど抽出の時間も増えます。 rich1000では、parselの抽出が8.0718ミリ秒、BeautifulSoupは0.8160ミリ秒でした。

一言でいうと

BeautifulSoup

木の中を探して文字を取るのが速い道具です。

parsel

HTMLを木にする読み込みが速い道具です。

出典: 各社の公式ページ(2026年11月21日確認)

処理時間:全工程の勝ち負けは段落数と使い方で変わった

読み込みから抽出までの全工程では、plain100だけBeautifulSoupが先に終わり、残りの3条件はparselが先でした。 読み込みの差が大きいか、抽出の差が大きいかで、合計の勝ち負けが入れ替わります。

次の表は、HTMLの文字列を受け取って、文字列のリストを返すまでの時間です。 中央値は、9回のバッチ(まとめて処理した1回分)の平均時間から出したものです。

条件BeautifulSoup(ミリ秒)parsel(ミリ秒)先に終わったほう
plain1000.79221.0164BeautifulSoup
rich1001.24490.8715parsel
rich100010.58608.2093parsel
whitespace120.14220.1092parsel

whitespace12は、先ほどのとおり出力の内容が違います。 同じ文字列を得た比較ではないので、時間の勝ち負けは参考にとどめてください。

読み込みと抽出の中央値を足しても、全工程の中央値にはなりません。 それぞれ別々に測ったからです。

全工程の表だけを見て選ぶと、plain100のように、抽出の速さが効く場面を見落とします。 同じHTMLを何度も使い回すかどうかを、先に考えるのがおすすめです。

選ぶ理由は3つ:向く人・向かない人・代わりの道

選ぶ決め手は、同じHTMLを何度読むか、空白をどう扱いたいか、全工程の時間のどれを見るかの三つです。 下の三つを上から順に確かめれば、どちらを使うか決まります。

  • ① 同じ木から何度も探すなら、BeautifulSoupです。rich1000の抽出が0.8160ミリ秒で、parselの8.0718ミリ秒より小さく済みました。
  • ② HTMLを一度読んで抜くだけなら、parselです。rich1000の全工程が8.2093ミリ秒で、BeautifulSoupの10.5860ミリ秒より短くなりました。
  • ③ 空白を入力どおり残したいなら、parselです。whitespace12で期待値と一致したのは、parselが12件、BeautifulSoupが6件でした。

BeautifulSoupが向かないのは、大きなHTMLを大量に、一度ずつ読んで捨てる処理です。 parselが向かないのは、同じ木から何度も段落を取り出す処理です。

どちらにも決めきれないときは、今回のようにp要素を取り出す小さな処理を自分のHTMLで測るのが確実です。 計測の手順は、公開している再実行用のファイルにそのまま書いてあります。

どちらを選ぶかの流れ

  1. 1. 文字の前後の空白を、そのまま残したいですか?
    はい → parselを選びます。いいえ → 2
  2. 2. 一度読み込んだHTMLの木から、何度も探しますか?
    はい → BeautifulSoupを選びます。いいえ → 読んで抜くだけなら、parselを選びます。
出典: 各社の公式ページ(2026年11月21日確認)

測定と比較の範囲

この結果は、2026年11月21日に、1台のMacで測った人工HTML4種に限った値です。 環境はmacOS 27.2.1・arm64・論理CPU12個で、CPython 3.14.10(GIL版)を使いました。

BeautifulSoupは4.14.3、parselは1.10.0、読み込みの土台のlxmlは6.0.2です。 どちらも同じlxmlを使っています。

BeautifulSoupは、lxmlを指定して find_all('p') と get_text で取り出しました。

parselは、Selector で読み込み、CSSで p を選びました。 各要素にはXPathの string(.) をかけています。

計時は、1バッチ目を捨てて9バッチを測り、1バッチは10文書または30文書です。

実行順は交互にして、ガベージコレクション(使い終わった領域の自動の片付け)は止めていません。

この数字は、この環境と固定した版での値です。 別のMacや新しい版で同じになる保証はありません。

壊れたHTML、script要素やpre要素を含む文書は測っていません。 メモリの使用量、通信を含む処理、別のパーサー、別のAPIの組み合わせも測っていません。

parselの抽出は、各p要素ごとにXPathを呼ぶ形に限った値です。 CPUの周波数や他のプロセスの負荷は固定していないので、数字は目安として読んでください。

測定の記録は、次のファイルで公開しています。

出典

出典: BeautifulSoup公式の文書(2026年11月21日確認)https://www.crummy.com/software/BeautifulSoup/bs4/doc/

出典: parsel公式のGitHubリポジトリ(2026年11月21日確認)https://github.com/scrapy/parsel

このサイトで測った元データ

更新履歴

  1. 公開前の記事として、実測の結果と範囲を書いた

    一次ソース

関連記事