如何解析和处理PHP中的HTML / XML？

 

如何解析HTML / XML并从中提取信息？

原生XML扩展

我更喜欢使用原生XML扩展之一，因为它们与PHP捆绑在一起，通常比所有的第三方库更快，并且给我所需的所有控制权。

DOM

DOM扩展允许您使用PHP 5通过DOM API操作XML文档。它是W3C的文档对象模型Core Level 3的实现，它是一个平台和语言无关的接口，允许程序和脚本动态访问和更新文件的内容，结构和风格。

DOM能够解析和修改真实世界（损坏的）HTML，并且可以执行XPath查询。 它基于libxml。

需要一段时间才能提高DOM的效率，但那个时间值得IMO考虑。 由于DOM是一个与语言无关的接口，所以你会发现许多语言的实现，所以如果你需要改变你的编程语言，那么很可能你已经知道如何使用该语言的DOM API了。

一个基本的用法示例可以在抓取A元素的href属性中找到，并且可以在DOMDocument的php中找到一般概念概述

如何使用DOM扩展已经在StackOverflow中得到了广泛的讨论，所以如果您选择使用它，您可以确定您遇到的大多数问题都可以通过搜索/浏览堆栈溢出来解决。

XMLReader的

XMLReader扩展是一个XML拉解析器。 阅读器充当向文档流前进的光标，并停在路上的每个节点上。

与DOM类似，XMLReader基于libxml。 我不知道如何触发HTML解析器模块，因此使用XMLReader解析断开的HTML可能不如使用DOM，因为它可以明确地告诉它使用libxml的HTML解析器模块。

在使用php获取来自h1标签的所有值时可以找到一个基本用法示例

XML解析器

该扩展允许您创建XML解析器，然后为不同的XML事件定义处理程序。 每个XML解析器还有一些可以调整的参数。

XML解析器库也基于libxml，并实现了SAX风格的XML推送解析器。 对于内存管理来说，这可能是比DOM或SimpleXML更好的选择，但与XMLReader实现的pull语法分析器相比，将更难以使用。

SimpleXML的

SimpleXML扩展提供了一个非常简单且易于使用的工具集，可将XML转换为可使用常规属性选择器和数组迭代器处理的对象。

当您知道HTML是有效的XHTML时，SimpleXML是一个选项。 如果你需要解析破碎的HTML，甚至不要考虑SimpleXml，因为它会窒息。

一个基本的用法示例可以在一个简单的程序中找到xml文件的CRUD节点和节点值，PHP手册中还有很多其他示例。

第三方库（基于libxml）

如果你更喜欢使用第三方库，我建议使用一个实际使用DOM / libxml而不是字符串解析的库。

FluentDom

FluentDOM为PHP中的DOMDocument提供了类似jQuery的流畅XML接口。 选择器是用XPath或CSS编写的（使用CSS到XPath转换器）。 当前版本扩展了DOM实现标准接口并添加了DOM Living标准的功能。 FluentDOM可以加载JSON，CSV，JsonML，RabbitFish等格式。 可以通过Composer进行安装。

HtmlPageDom

Wa72 HtmlPageDom是一个PHP库，可以轻松处理HTML文档。它需要Symfony2组件中的DomCrawler遍历DOM树，并通过添加操作HTML文档DOM树的方法来扩展它。

phpQuery（未更新多年）

phpQuery是基于PHP5中编写的jQuery JavaScript库的服务器端，可链接，CSS3选择器驱动的文档对象模型（DOM）API，并提供了额外的命令行界面（CLI）。

另见：https://github.com/electrolinux/phpquery

Zend_Dom

Zend_Dom提供了用于处理DOM文档和结构的工具。 目前，我们提供了Zend_Dom_Query，它提供了一个统一的界面，用于使用XPath和CSS选择器来查询DOM文档。

的QueryPath

QueryPath是一个用于处理XML和HTML的PHP​​库。 它旨在不仅用于本地文件，还用于Web服务和数据库资源。 它实现了大部分的jQuery接口（包括CSS风格的选择器），但它在服务器端使用时经过了严格的调整。 可以通过Composer进行安装。

fDOMDocument

fDOMDocument扩展标准DOM以在所有错误场合使用异常，而不是PHP警告或通知。 他们还添加了各种自定义方法和快捷方式，以方便并简化DOM的使用。

军刀/ XML

saber / xml是一个包装和扩展XMLReader和XMLWriter类的库，以创建一个简单的“xml to object / array”映射系统和设计模式。 编写和读取XML是单向传递的，因此可以很快并且需要大型xml文件的低内存。

FluidXML

FluidXML是一个用简洁流畅的API操纵XML的PHP​​库。 它充分利用了XPath和流畅的编程模式，使其变得有趣而有效。

第三方（不是基于libxml的）

基于DOM / libxml构建的好处是，您可以获得不错的性能，因为您基于本机扩展。 然而，并非所有的第三方库都沿着这条路线走下去。 其中一些列在下面

PHP简单的HTML DOM解析器

  • 用PHP5 +编写的HTML DOM解析器可让您以非常简单的方式操作HTML！
  • 需要PHP 5+。
  • 支持无效的HTML。
  • 像jQuery一样使用选择器在HTML页面上查找标签。
  • 从一行中提取HTML中的内容。

    • 我通常不推荐这个解析器。 代码库很糟糕，解析器本身速度很慢，内存很大。 并非所有的jQuery选择器（如子选择器）都是可能的。 任何基于libxml的库都应该轻松胜过这一点。

    PHP的HTML解析器

    PHPHtmlParser是一个简单，灵活的html解析器，它允许您使用任何css选择器（如jQuery）来选择标签。 目标是协助开发需要快速，简单的方法来废除HTML的工具，无论它是否有效！ 这个项目最初由sunra / php-simple-html-dom-parser支持，但支持似乎停止了，所以这个项目是我对他以前的工作的改编。

    再次，我不会推荐这个解析器。 CPU使用率高，速度很慢。 也没有函数来清除已创建的DOM对象的内存。 这些问题在嵌套循环中特别突出。 文档本身不准确并且拼写错误，自16年4月14日以来没有回复修复。

    加农

  • 通用标记器和HTML / XML / RSS DOM解析器
  • 能够操纵元素及其属性
  • 支持无效的HTML和UTF8
  • 可以对元素执行类似高级CSS3的查询（如jQuery - 支持的命名空间）
  • 一个HTML美化器（如HTML Tidy）
  • 减少CSS和Javascript
  • 排序属性，更改字符大小写，正确缩进等。
  • 扩展
  • 使用基于当前字符/标记的回调来解析文档
  • 操作以较小的函数分隔，便于覆盖
  • 快速和简单

    • 从未使用它。 不知道它是否有好处。

    HTML 5

    您可以使用上述方法解析HTML5，但由于HTML5允许使用标记，因此可能会出现怪癖。 所以对于HTML5你想考虑使用专用的解析器，比如

    html5lib

    基于WHATWG HTML5规范的HTML解析器的Python和PHP实现，以实现与主要桌面Web浏览器的最大兼容性。

    一旦HTML5完成，我们可能会看到更多的专用解析器。 W3也有一篇标题为How-To for HTML 5解析的博文，值得一读。

    网页服务

    如果你不想编程PHP，你也可以使用Web服务。 一般来说，我发现这些功能很少，但这只是我和我的用例。

    YQL

    YQL Web服务使应用程序能够查询，过滤和组合来自互联网上不同来源的数据。 YQL语句具有类似SQL的语法，任何具有数据库经验的开发人员都很熟悉。

    ScraperWiki。

    ScraperWiki的外部接口允许你以你想要的形式提取数据，以便在网络或自己的应用程序中使用。 您还可以提取有关任何刮板状态的信息。

    常用表达

    最后，也是最不推荐的 ，你可以用正则表达式从HTML中提取数据。 通常不鼓励在HTML上使用正则表达式。

    大部分你会在网上找到的匹配标记的片段都很脆弱。 在大多数情况下，他们只是为特定的HTML工作。 微小的标记更改（如在某处添加空白处）或添加​​或更改标记中的属性可能会导致RegEx在写入不正确时失败。 在HTML上使用RegEx之前，您应该知道自己在做什么。

    HTML解析器已经知道HTML的语法规则。 必须为您编写的每个新RegEx教授正则表达式。 RegEx在某些情况下很好，但这取决于您的使用情况。

    您可以编写更可靠的解析器，但使用正则表达式编写完整且可靠的定制解析器会浪费时间，因为前面提到的库已经存在并在此方面做得更好。

    另请参阅解析Html The Cthulhu Way

    图书

    如果你想花一些钱，看看

  • PHP架构师使用PHP进行Web浏览的指南

    • 我不隶属于PHP架构师或作者。

    尝试简单的HTML DOM解析器

  • 以PHP 5+编写的HTML DOM解析器，可让您以非常简单的方式操作HTML！
  • 需要PHP 5+。
  • 支持无效的HTML。
  • 像jQuery一样使用选择器在HTML页面上查找标签。
  • 从一行中提取HTML中的内容。
  • 下载


    • 例子：

    如何获取HTML元素： 

    // Create DOM from URL or file
$html = file_get_html('http://www.example.com/');

// Find all images
foreach($html->find('img') as $element)
       echo $element->src . '<br>';

// Find all links
foreach($html->find('a') as $element)
       echo $element->href . '<br>';


    如何修改HTML元素： 

    // Create DOM from string
$html = str_get_html('<div id="hello">Hello</div><div id="world">World</div>');

$html->find('div', 1)->class = 'bar';

$html->find('div[id=hello]', 0)->innertext = 'foo';

echo $html;


    从HTML中提取内容： 

    // Dump contents (without tags) from HTML
echo file_get_html('http://www.google.com/')->plaintext;


    刮刮板： 

    // Create DOM from URL
$html = file_get_html('http://slashdot.org/');

// Find all article blocks
foreach($html->find('div.article') as $article) {
    $item['title']     = $article->find('div.title', 0)->plaintext;
    $item['intro']    = $article->find('div.intro', 0)->plaintext;
    $item['details'] = $article->find('div.details', 0)->plaintext;
    $articles[] = $item;
}

print_r($articles);

    只需使用DOMDocument-> loadHTML（）并完成它。 libxml的HTML解析算法相当好，而且速度很快，与流行的观点相反，它不会歪曲格式错误的HTML。

    链接地址: http://www.djcxy.com/p/777.html

    上一篇: How do you parse and process HTML/XML in PHP?

    下一篇: Why is "using namespace std" considered bad practice?