用 lxml.iterparse() 替代 beautifulsoup 可显著降低大 html 文件解析内存占用：流式解析、及时清理节点、只保留目标标签、二进制读取、预截断过滤、避免全量加载与递归文本提取，并流式写入结果。
用 lxml 替代 BeautifulSoup 解析超大 HTML 文件
默认用 BeautifulSoup(html, 'html.parser') 处理几十 MB 以上的 HTML，很容易触发 OOM —— 它会把整个 DOM 树加载进内存，且不释放中间节点。lxml 的 etree.iterparse() 是流式解析，边读边建树、边处理边清理，内存占用稳定在几 MB 级别。
关键点：
- 不用
etree.parse()（全量加载），改用etree.iterparse(file_obj, events=('start', 'end')) - 监听
'end'事件后立刻调用elem.clear()和elem.getparent().remove(elem)，防止子树累积 - 只保留你需要的标签（如
'p','h1'），其他一律跳过，减少对象创建 - 文件必须以二进制模式打开：
open('big.html', 'rb')，避免解码开销和隐式缓存
提前截断或过滤 HTML 再解析
很多大 HTML 实际有效内容只在前半部分（比如日志归档页、爬虫 dump），后面全是重复脚本或空 div。硬解析整体会白耗内存。
实操建议：
- 用
file.read(5_000_000)（5MB）先读头段，检查是否含
前端入门到VUE实战笔记：立即使用
在学习笔记中，你将探索 前端 的入门与实战技巧！
