Частое число в массиве размером 2 миллиона (работает за 500к, но зависает за 2 миллиона?)

Вы можете использовать либо другой парсер HTML (, например lxml , либо Beautiful Soup ) - тот, который предлагает функции для извлечения только текста. Или вы можете запустить регулярное выражение в строке строки, которая удаляет теги. Подробнее см. В http://www.amk.ca/python/howto/regex/ .