php - 您如何在PHP中解析和处理HTML/XML？

Question

如何解析HTML / XML并从中提取信息？

Answer 1

本机XML扩展

我更喜欢使用native XML extensions之一，因为它们与PHP捆绑在一起，通常比所有第三方库都快，并为我提供了所需的所有标记控制权。

DOM


  DOM扩展使您可以使用PHP 5通过DOM API通过XML文档进行操作。它是W3C的Document Object Model Core Level 3的实现，它是一种平台和语言无关的界面，允许程序和脚本动态访问和更新。文件的内容，结构和样式。


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

使用DOM需要花一些时间，但是IMO值得花时间。由于DOM是与语言无关的接口，因此您会发现许多语言的实现，因此，如果您需要更改编程语言，那么您很可能已经知道如何使用该语言的DOM API。

可以在Grabbing the href attribute of an A element中找到基本的用法示例，而在DOMDocument in php中可以找到常规的概念概述。

How to use the DOM extension has been covered extensively on StackOverflow，因此，如果您选择使用它，可以确保可以通过搜索/浏览堆栈溢出来解决所遇到的大多数问题。

XMLReader


  XMLReader扩展是XML提取解析器。阅读器充当光标，在文档流上前进，并在途中的每个节点处停止。


与DOM一样，XMLReader也基于libxml。我不知道如何触发HTML解析器模块，因此使用XMLReader解析损坏的HTML的机会可能不如使用DOM健壮，因为在DOM中您可以明确地告诉它使用libxml的HTML解析器模块。

基本用法示例可在getting all values from h1 tags using php中找到

XML Parser


  此扩展使您可以创建XML解析器，然后为不同的XML事件定义处理程序。每个XML解析器还具有一些您可以调整的参数。


XML解析器库也基于libxml，并实现了SAX样式的XML推送解析器。与DOM或SimpleXML相比，内存管理可能是更好的选择，但与XMLReader实现的请求解析器相比，使用起来更加困难。

SimpleXml


  SimpleXML扩展提供了一个非常简单易用的工具集，可以将XML转换为可以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，可以选择SimpleXML。如果您需要解析损坏的HTML，甚至不用考虑SimpleXml，因为它会阻塞。

可以在A simple program to CRUD node and node values of xml file找到一个基本的用法示例，其中有lots of additional examples in the PHP Manual。



第三方库（基于libxml）

如果您更喜欢使用第三方库，则建议使用实际上在下面使用DOM / libxml而不是字符串解析的库。

FluentDom-Repo


  FluentDOM为PHP中的DOMDocument提供了类似jQuery的Fluent XML接口。选择器以XPath或CSS编写（使用CSS到XPath转换器）。当前版本扩展了DOM的实现标准接口，并增加了DOM Living Standard的功能。 FluentDOM可以加载JSON，CSV，JsonML，RabbitFish等格式。可以通过Composer安装。


HtmlPageDom


  Wa72 \ HtmlPageDom`是一个PHP库，可轻松操作HTML
  使用It的文档需要DomCrawler from Symfony2 components才能遍历
  DOM树并通过添加操作DOM的方法对其进行扩展
  HTML文档树。


phpQuery（多年未更新）


  phpQuery是一个服务器端可链接的，由CSS3选择器驱动的文档对象模型（DOM）API，基于用PHP5编写的jQuery JavaScript库，并提供其他命令行界面（CLI）。


另请参见：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。当前，我们提供Zend_Dom_Query，它提供了一个统一的接口，用于同时使用XPath和CSS选择器查询DOM文档。


QueryPath


  QueryPath是一个用于处理XML和HTML的PHP​​库。它不仅可以与本地文件一起使用，还可以与Web服务和数据库资源一起使用。它实现了许多jQuery接口（包括CSS样式的选择器），但为服务器端使用做了很大的调整。可以通过Composer安装。


fDOMDocument


  fDOMDocument扩展了标准DOM以在所有错误情况下都使用异常，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，以方便使用并简化DOM的使用。


sabre/xml


  sabre / xml是一个包装和扩展XMLReader和XMLWriter类的库，以创建简单的“从XML到对象/数组”的映射系统和设计模式。写入和读取XML是单次通过，因此可以快速进行，并且在大型xml文件上所需的内存较少。


FluidXML


  FluidXML是一个PHP库，用于使用简洁流畅的API来处理XML。
  它利用XPath和流畅的编程模式来使游戏变得有趣而有效。




第三方（不是基于libxml的）

在DOM / libxml上构建的好处是，由于您基于本机扩展，因此可以立即获得良好的性能。但是，并非所有第3方库都遵循这条路线。下面列出其中一些

PHP Simple HTML DOM Parser


  
  用PHP5 +编写的HTML DOM解析器使您能够以非常简单的方式操作HTML！
  需要PHP 5+。
  支持无效的HTML。
  使用jQuery之类的选择器在HTML页面上查找标签。
  从HTML中提取内容。
  


我通常不建议使用此解析器。代码库太可怕了，解析器本身也很慢并且占用大量内存。并非所有的jQuery选择器（例如child selectors）都是可能的。任何基于libxml的库都应该容易地胜过它。

PHP Html Parser


  PHPHtmlParser是一个简单，灵活的html解析器，它使您可以使用任何CSS选择器（例如jQuery）来选择标签。目标是协助开发工具，这些工具需要快速，简便的方式来废弃html，无论它是否有效！该项目最初由sunra / php-simple-html-dom-parser支持，但是支持似乎已经停止，因此该项目是我对他先前工作的改编。


同样，我不建议使用此解析器。 CPU使用率很高时，速度相当慢。也没有清除创建的DOM对象的内存的功能。这些问题在嵌套循环中尤为严重。文档本身不准确且拼写错误，自16年4月14日以来未对修复程序做出任何回应。

Ganon


  
  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CSS3的高级查询（例如jQuery-支持名称空间）
  HTML美化器（如HTML Tidy）
  
  
  缩小CSS和Javascript
  排序属性，更改字符大小写，正确缩进等
  
  可扩展的
  
  
  使用基于当前字符/令牌的回调解析文档
  操作以较小的功能分开，易于覆盖
  
  快速简便
  


没用过。无法判断是否有好处。



HTML 5

您可以使用上面的内容来解析HTML5，但由于标记HTML5允许使用there can be quirks。因此，对于HTML5，您需要考虑使用专用的解析器，例如

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。


HTML5完成后，我们可能会看到更多专用的解析器。 W3上还有一个名为How-To for html 5 parsing的博客，值得一看。



网页服务

如果您不想编程PHP，也可以使用Web服务。通常，我发现这些工具的实用性很小，但这只是我和我的用例。

ScraperWiki。


  ScraperWiki的外部界面允许您以想要在Web或您自己的应用程序中使用的形式提取数据。您还可以提取有关任何刮板状态的信息。




常用表达

最后建议，您可以使用regular expressions从HTML提取数据。通常，不建议在HTML上使用正则表达式。

您可以在网络上找到与标记匹配的大多数代码片段。在大多数情况下，它们仅适用于非常特殊的HTML。微小的标记更改（例如在某处添加空格，在标签中添加或更改标签中的属性）会使RegEx在书写不正确时失败。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在某些情况下还可以，但实际上取决于您的用例。

您can write more reliable parsers，但是当上述库已经存在并且在此方面做得更好时，编写带有正则表达式的完整而可靠的自定义解析器会浪费时间。

另请参见Parsing Html The Cthulhu Way



图书

如果你想花一些钱，看看


PHP Architect's Guide to Webscraping with PHP


我不隶属于PHP Architect或作者。