# lxml と selectolax のローカルHTML解析実測

依頼: req-20261022-065 / 題材ID: lxml-selectolax-local-hikaku
測定日: 2026-11-05（Asia/Tokyo）。実行時刻のUTC生値は raw.json に記録。

## 判断と範囲

このMacの砂場で両方をCPUで実行でき、要素の抽出・解析結果・処理時間の比較が成立した。
lxml 6.1.3（libxml2 2.14.6）と selectolax 1.0.2 のLexborバックエンドを実際に呼び出した。
外部のベンチマーク値やインターネット上のHTMLを実測データとして取り込んでいない。
鍵・ログイン・有料API・買い物は不要。秘密鍵ファイルの読み取り、公開、X投稿、git commitは行っていない。

環境: macOS 27.2 / arm64 / CPython 3.14.10 / 論理CPU数12 / cssselect 1.6.0。
CPU製品名は照会せず不明と記録し、機種を推測していない。
実行はCPUのネイティブ拡張のみ。機械学習・GPUライブラリをimportせず、Metalを初期化する処理はない。
権限拡張、音声入出力、say、Bluetoothは使っていない。

## 入力と測定方法

replay.txt の corpus(count) が乱数なしで10 / 1,000 / 10,000件の人工HTMLを作る。
英語と日本語を交互に置き、絵文字、HTML文字参照、入れ子のb要素、属性、抽出対象外のリンクを含める。
同じUTF-8 bytesを両方に渡す。入力のバイト数とSHA256を cases[] に記録した。
期待結果はHTMLパーサーを使わず生成し、hrefと子孫テキストが順序も含めて一致するかを確認した。
生成入力と期待結果はメモリ上で扱い、作業コピー内に一時入力ファイルを作らない。

共通CSS: `main#catalog > article.item > a.title`。
lxml は document_fromstring と新しい HTMLParser(encoding='utf-8', no_network=True)、
selectolax は新しい LexborHTMLParser(encoding=False, scripting=False) で全文書を解析する。
selectolax側のUTF-8 bytesは文字コード検出なしで扱う。
lxmlのCSSSelectorはHTML用に事前コンパイルし、selectolaxはtree.css(query)を使う。
CSSからXPathへの変換・CSSエンジンの実装は同一ではないので、このAPIの組み合わせの実用処理時間として読む。
セレクタ言語全体や、同じ内部アルゴリズムの速度を測ったものではない。

- parse: 文書を解析してツリーを解放する。抽出処理は含めない。
- parse_extract: 文書を解析し、共通CSSで選んだリンクのhrefと全子孫テキストを辞書のリストにして解放する。

Pythonのループ、パーサーの作成、ネイティブ処理、メモリ割当と結果解放を含む。
入力生成、期待結果の作成、ダウンロード、仮想環境、import、lxmlのCSSコンパイル、照合、hash、ディスクI/O、起動時間を除外した。
ループ回数はサイズ順に1,000 / 20 / 2回で、同じ条件の両者は同数。
各入力×操作×ツールを1バッチwarmup後に5バッチ計時し、計60バッチとwarmup12バッチを保存した。
ツールの実行順は試行ごと・条件ごとに交互にする。単一プロセスで直列実行する。
バッチ中だけ循環GCを止め、参照カウントは動かす。バッチ前のgc.collect()は計時外。
perf_counter_ns()の整数ナノ秒を trials[].elapsed_ns に保存した。

## 結果

全3サイズで両ツールの抽出件数、リンク先、子孫テキスト、順序が生成時の期待結果に一致した。
cases[].validation[] に件数・一致件数・正規化した出力JSONのSHA256を保存し、10件条件の実際の出力リストも両方保存した。
出力SHA256はキーソート・空白なし・UTF-8のJSON表現に対するもので、整形保存した出力ファイルのSHA256とは区別する。

下表は各バッチ時間の5試行の中央値 ÷ ループ回数 ÷ 1,000,000 によるms/呼び出し（小数6桁の参考表示）。
各呼び出しを独立に計時したレイテンシーではない。台帳のassertionは丸めず整数生値を直接参照する。

| 入力 | 入力バイト | バッチ内回数 | 操作 | lxml ms/呼び出し | selectolax ms/呼び出し |
|---|---:|---:|---|---:|---:|
| items10 | 1,991 | 1000 | parse | 0.020507 | 0.010605 |
| items10 | 1,991 | 1000 | parse_extract | 0.045711 | 0.017362 |
| items1000 | 184,376 | 20 | parse | 1.598115 | 0.695829 |
| items1000 | 184,376 | 20 | parse_extract | 3.747208 | 1.101327 |
| items10000 | 1,871,876 | 2 | parse | 16.762584 | 7.264208 |
| items10000 | 1,871,876 | 2 | parse_extract | 41.525500 | 12.404063 |

この入力・API・実行時の全条件ではselectolaxの中央値が短かった。一般的な速度順位への拡張はしない。

### 解析結果の差（計時外）

3つの小さい自作入力について、共通CSSの件数、テキスト、シリアライズした実際のHTMLを probes[] に保存した。
入力全文とSHA256も同じ場所にある。ブラウザーとの照合や規格の網羅試験は行っておらず、正解率・品質の評価には使わない。

| 入力 | CSS / 観察対象 | lxml | selectolax / Lexbor |
|---|---|---|---|
| tbody省略 | `table#t > tbody > tr` | 0件、tbodyなし | 1件、tbodyを挿入 |
| 書式タグの不正な入れ子 | `p#p > i` | 0件 | 1件、テキスト `three` |
| table直下の文字 | `table#t` の子孫テキスト | `outsideA` | `A`（outsideはtableの前へ移動） |

セレクタが同じでも構築されるツリーによって結果が変わった事例であり、どちらかの品質が常に高いという主張ではない。
これらの小さいプローブの速度は測っていない。

## 限界

外部推論、AIの出力品質、実業務データの品質・精度は測っていない。
一致の確認は人工HTMLの限定された抽出に限る。任意のHTMLの正しさやセレクタ対応全体は保証しない。
Webアクセス、JavaScript実行、レンダリング、XML、selectolaxの他バックエンド、文字コード検出、メモリ使用量、
巨大な入れ子、ストリーミング、並列処理、コールド起動、別OS・別版・別CPU、GPUも未測定。
ツリーのシリアライズはプローブの観察用で、速度比較には含めない。

5試行・単一プロセス・warmup済みの結果で、統計的な有意差やプロセス再起動をまたぐ変動は調べていない。
CPU周波数・OSスケジューリング・他プロセス・キャッシュは制御していない。
測定開始時のload average（1/5/15分）は15.59228515625 / 30.51220703125 / 47.751953125で、
ホストは他の作業も抱えていた。raw.jsonには開始・終了の値をそのまま残した。
小さい入力ではPythonループと割当・解放の比率が大きい。片側の速度を推測した値は含めていない。

## 再実行と保存

同じ通常GIL版CPython 3.14 / macOS arm64で次を実行する。既存出力先は拒否し、台帳は変更しない。

```sh
python3 measurements/lxml-selectolax-local-2026-11-05-req065-a1-replay.txt --output-dir /tmp/html-parsers-rerun-new
```

replay.txtが入力生成・依存取得・測定・照合の全コード。
固定版の公開wheelを取得し、PyPI公開メタデータのSHA256と実バイトのSHA256を照合してから使った。
取得URL、版、サイズ、SHA256を dependencies.json に記録した。
pipを使わず、TemporaryDirectory(dir='/tmp') の中の新しい仮想環境へwheelを展開する。
wheel・仮想環境・結果作業領域は作業コピーの外に置き、成功・失敗とも終了時に削除する。
ワーカー成功後にだけ新しい指定出力先へ結果をコピーする。ローカルCPUでの計時中に通信はしない。

保存ファイル（共通接頭辞 lxml-selectolax-local-2026-11-05-req065-a1-）:

- raw.json: 環境、条件、入力・出力hash、60試行と12warmup、集計、3プローブの全文と実出力。
- dependencies.json: 公開wheelの来歴と実測SHA256。
- items10-lxml-output.json / items10-selectolax-output.json: 10件条件の実際の抽出結果。
- run-log.txt: 成功した測定ワーカーの標準出力。
- replay.txt: 入力生成と再実行のPythonコード（許可形式TXT）。
- README.md: この説明。

全7ファイルを measurements/ と public/measurements/ に同じバイトで保存する。
台帳 topics.lxml-selectolax-local-hikaku の raw_sha256 はpublic側の全7ファイルを対象とする。
result_assertions は処理時間60件、抽出・一致件数12件、プローブ件数6件を整数生値のidentity / rounding=0 / tolerance=0で登録する。
既存の検査・記事・topics.jsonは変更しない。既存検査の実行とcommitは親が担当する。

## 公式資料

2026-11-05にAPIと対象を確認した資料。公開ベンチマークの値は本測定へ転記していない。

- [lxml公式リポジトリ](https://github.com/lxml/lxml)
- [selectolax公式リポジトリ](https://github.com/rushter/selectolax)
- [lxml.html公式資料](https://lxml.de/lxmlhtml.html): 文書解析とテキスト抽出。
- [lxml.cssselect公式資料](https://lxml.de/cssselect.html): CSSSelector。
- [selectolax Lexbor API公式資料](https://selectolax.readthedocs.io/en/latest/lexbor.html): UTF-8入力、全文書解析、cssとtext。
