ローカル実測/データ処理

lxmlとselectolaxのローカルHTML解析を比較|同じHTMLで測った要素の抽出・解析結果・処理時間

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。

一つのHTMLの木が二つの道具に分かれて読まれる、解析を表す抽象イラスト

同じHTMLを二つの道具に渡し、リンクの抜き出しと、解析にかかる時間を並べました。書き方のゆるい表を読ませた時の違いも載せています。

結論

XPathも使いたい、XMLも同じ道具で読みたい人は
lxmlが向いています。XMLとHTMLの両方を処理する道具として説明されており、手元の測定でもリンクの抽出は全件一致しました。
大量のHTMLからリンクや文字を速く抜き出したい人は
selectolaxが向いています。手元の測定では、解析だけでも、解析して抜き出すまででも、すべての条件でselectolaxの時間が短く終わりました。
CSSセレクタだけで足りる、軽く始めたい人は
selectolaxの使い方は、CSSセレクタでの選択が中心です。覚えることが少なく、書き始めやすい道具です。

同じHTMLからリンクを抜く時間は、10000件の入力で、lxmlが80496250ナノ秒、selectolaxが23273417ナノ秒でした。 予想と違ったのは、時間より解析結果です。

tbodyを省いた表で、同じCSSの table#t > tbody > tr を当てると、lxmlは0件、selectolaxは1件でした。 ナノ秒は、10億分の1秒を表す単位です。

読み終わると、自分のHTMLにどちらが合うかを、使うセレクタと入力の大きさで決められます。

要素の抽出:3つの大きさの入力で、リンクは全件一致しました

10件、1000件、10000件のどの入力でも、lxmlとselectolaxは、期待したリンクを全部、同じ順番で抜き出しました。

入力は人工のHTMLで、英語と日本語を交互に置き、絵文字や入れ子の太字も混ぜました。 共通のCSSは main#catalog > article.item > a.title で、リンク先と中の文字を取り出して、期待値と照らしました。

入力lxmlの抽出件数lxmlの一致件数selectolaxの抽出件数selectolaxの一致件数
10件10件10件10件10件
1000件1000件1000件1000件1000件
10000件10000件10000件10000件10000件

lxmlのCSSは、内部でXPathに直してから使われます。 selectolaxの公式ページは、cssとcss_firstによるCSSセレクタでの選択を中心に説明しています。

出典: lxml公式のGitHubページ・selectolax公式のGitHubページ(ともに2026年11月5日確認)、測定記録(2026年11月5日実施)

解析結果:同じセレクタでも、書き方のゆるいHTMLでは件数が割れました

三つの小さなHTMLで、同じCSSを当てると、二つの木の形が違いました。 tbodyは、表の本体を囲む印です。HTMLでは省いても書けます。

入力見る所lxmlselectolax
tbodyの省略table#t > tbody > tr の件数0件(tbodyなし)1件(tbodyを補った)
書式タグの不正な入れ子p#p > i の件数0件1件(文字は three)
table直下の文字table#t の中の文字outsideAA(outsideは表の前へ移動)

selectolaxは、省かれた印を補い、表の中に置けない文字を表の前へ移しました。 lxmlは、書かれたとおりに木を作りました。

どちらが正しいかは、この記事では決めません。 セレクタが同じでも、作られた木が違えば、件数が変わるという事例です。

出典: selectolax公式のGitHubページ(2026年11月5日確認)、測定記録(2026年11月5日実施)

処理時間:解析して抜き出すところまで含めると、差が広がりました

解析だけでも、解析して抜き出すまででも、6条件のすべてで、5回の計時のどれもselectolaxが短く終わりました。 下の表は、1回目の計時の値です。

バッチは、同じ処理をまとめて繰り返す1セットです。 回数は、10件で1000回、1000件で20回、10000件で2回を、1バッチとしました。

入力操作1バッチの回数lxml(ナノ秒)selectolax(ナノ秒)
10件解析1000回2050745910568250
10件解析と抽出1000回4575937517383208
1000件解析20回3196229214021833
1000件解析と抽出20回7435275022089833
10000件解析2回3371958415272792
10000件解析と抽出2回8049625023273417

回数がそろった同じ行の中で比べてください。 入力が小さいほど、Pythonのループなどの割合が大きくなります。

selectolaxの公式ページには、自前の比較で、Beautiful Soupより短い時間で終わったという説明があります。 その数字は使わず、手元の値だけを載せました。

出典: selectolax公式のGitHubページ(2026年11月5日確認)、測定記録(2026年11月5日実施)

落とし穴:速さの比べ方と、木の違いは別の話です

処理時間の表は、lxmlのCSSを事前に組み立てたうえで測っています。 CSSからXPathへの変換や、エンジンの作りは同じではないので、この表は、二つの呼び出し方を並べたものです。

もう一つの落とし穴は、時間の短さだけで選ぶことです。 tbodyを省いた表を読む場合、速いselectolaxのほうが、自分の期待した形の木になるとは限りません。

自分のHTMLに近い入力で、使うセレクタの件数を、先に確かめてください。

どちらを選ぶか:速さと簡単さならselectolax、XPathやXMLならlxmlです

選ぶ理由は、次の三つです。

  1. 時間を短くしたいならselectolaxです。10000件の解析と抽出は、80496250ナノ秒対23273417ナノ秒でした。
  2. XPathを使いたい、XMLも読みたいなら、lxmlです。selectolaxの公式ページには、XPathの説明が見当たりません。
  3. CSSセレクタだけで足りて、HTMLだけを読むなら、selectolaxで書き始めると軽く済みます。

次の箱で、二つの道具の一言まとめを見比べてください。

道具ごとの一言まとめ

lxml

XMLもHTMLも読める、機能の広い解析道具です。

selectolax

CSSセレクタで選ぶ、HTML専用の高速な解析道具です。

出典: 各社の公式ページ(2026年11月5日確認)

自分の使い方で選ぶ時は、次の流れ図を上から順にたどってください。

lxmlとselectolaxの選び方

  1. 1. XPathで要素を選びたい、またはXMLも読みたいですか?
    はい → lxmlを選びます。selectolaxの公式ページには、XPathの説明が見当たりません。いいえ → 次は質問2です。
  2. 2. tbodyを省いた表など、書き方のゆるいHTMLを、CSSの子セレクタで選びますか?
    はい → 手元の測定では、selectolaxの木のほうが、そのまま当たりました。いいえ → 次は質問3です。
  3. 3. 大量のHTMLを解析して、リンクなどを抜く時間を短くしたいですか?
    はい → selectolaxを選びます。手元の測定では、全条件で時間が短く終わりました。いいえ → どちらでも足ります。使い慣れた方で始めてください。
出典: 各社の公式ページ(2026年11月5日確認)

迷ったら、まずselectolaxで小さな入力を試します。 期待した件数が出ない時に、lxmlを足す順番が安全です。

測定と比較の範囲

測定は2026年11月5日(日本時間)に、このMac1台で行いました。

環境は、macOS 27.2、arm64、CPython 3.14.10です。

lxmlは6.1.3(libxml2 2.14.6)、selectolaxは1.0.2(Lexborの解析エンジン)、cssselectは1.6.0でした。

論理CPUは12で、CPUを直列に動かしました。 CPUの製品名は、照会していません。

入力は、人工データです。 10件、1000件、10000件の3種類で、同じUTF-8のバイト列を二つに渡しました。外部のデータや実在のサイトは使っていません。

操作は、全文書の解析と、解析してから共通のCSSでリンクの先と文字を取り出す処理の二つです。 各条件で、1バッチの準備運転のあとに5回計りました。実行順は交互にし、計時の間は循環ガベージコレクションを止め、結果の解放も時間に含めています。

入力の生成、import、lxmlのCSSの組み立て、照合、ディスクの読み書き、起動時間は入っていません。 解析結果の違いは、三つの小さな入力を、計時の外で観察したものです。

ブラウザーとの照合や、規格の網羅は行っていません。 AIの出力品質、実在のサイト、JavaScript、XMLも範囲外です。

selectolaxの他のエンジン、文字コードの自動判定、メモリ使用量、並列実行も測っていません。 別のOS、別のPython、別のCPU、GPUも範囲外です。

測定の開始時、このMacは他の作業も抱えていました。 CPUの周波数や他のプロセスは制御していません。

計時は5回だけで、有意差の検定もしていません。 公式ページの比較の数字も使っていません。

出典

公式ページ(すべて2026年11月5日に確認)

自前の測定(2026年11月5日実施)

変更履歴

日付内容
2026-11-05初版公開。同じ自作HTMLで、リンクの抽出、解析結果、処理時間を比べた

このサイトで測った元データ

更新履歴

  1. 初版。同じ自作HTMLで測ったリンクの抽出、解析結果の違い、処理時間を掲載した

    一次ソース

関連記事