如何在PHP中解析和处理HTML/XML？_Php_Xml_Parsing_Xml Parsing_Html Parsing

如何在PHP中解析和处理HTML/XML？

php xml parsing

如何在PHP中解析和处理HTML/XML？,php,xml,parsing,xml-parsing,html-parsing,Php,Xml,Parsing,Xml Parsing,Html Parsing,如何解析HTML/XML并从中提取信息？是相当稳定的，即使不再维护它。另一种选择是通过管道传递HTML，然后使用标准XML工具对其进行解析。简单HTML DOM是一种很棒的开源解析器：它以面向对象的方式处理DOM元素，新的迭代覆盖了大量不兼容的代码。还有一些很棒的函数，如JavaScript中的“find”函数，它将返回该标记名元素的所有实例我已经在很多工具中使用了它，在许多不同类型的网页上测试了它，我认为它工作得很好。您可以尝试使用类似于清理任何“损坏的”HTML并将HTML转换为XHT

如何解析HTML/XML并从中提取信息？

是相当稳定的，即使不再维护它。另一种选择是通过管道传递HTML，然后使用标准XML工具对其进行解析。

简单HTML DOM是一种很棒的开源解析器：

它以面向对象的方式处理DOM元素，新的迭代覆盖了大量不兼容的代码。还有一些很棒的函数，如JavaScript中的“find”函数，它将返回该标记名元素的所有实例

我已经在很多工具中使用了它，在许多不同类型的网页上测试了它，我认为它工作得很好。

您可以尝试使用类似于清理任何“损坏的”HTML并将HTML转换为XHTML的东西，然后您可以用XML解析器解析它。

只要使用它就可以了。libxml的HTML解析算法非常好且快速，而且与流行的观点相反，它不会被格式错误的HTML阻塞。

试试看

一个用PHP5+编写的HTMLDOM解析器，可以让您以非常简单的方式操作HTML
需要PHP5+
支持无效的HTML
使用选择器在HTML页面上查找标记，就像jQuery一样
在一行中从HTML中提取内容

如何获取HTML元素：

刮削斜杠：本机XML扩展我更喜欢使用其中的一个，因为它们与PHP捆绑在一起，通常比所有第三方lib都快，并提供了我需要的对标记的所有控制

DOM扩展允许您使用PHP5通过DOM API对XML文档进行操作。它是W3C文档对象模型核心级别3的实现，是一个平台和语言中立的界面，允许程序和脚本动态访问和更新文档的内容、结构和样式

DOM能够解析和修改真实世界（破碎的）HTML，它可以做到这一点。它是基于

使用DOM需要一些时间才能提高效率，但在我看来，这是非常值得的。因为DOM是一个与语言无关的接口，您可以在许多语言中找到实现，因此如果您需要更改编程语言，那么您可能已经知道如何使用该语言的DOM API

在中可以找到基本用法示例，在中可以找到一般概念概述

，因此，如果您选择使用它，您可以确保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扩展是一个XML拉式解析器。读卡器充当文档流上前进的光标，并在途中的每个节点处停止

与DOM一样，XMLReader也是基于libxml的。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可能不如使用DOM（在DOM中可以显式告诉它使用libxml的HTML解析器模块）健壮

有关基本用法示例，请访问

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

XML解析器库也基于libxml，并实现了一个样式XML推式解析器。对于内存管理来说，它可能比DOM或SimpleXML更好，但与XMLReader实现的pull解析器相比，它更难使用

SimpleXML扩展提供了一个非常简单且易于使用的工具集，用于将XML转换为可以使用普通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。如果需要解析损坏的HTML，不要考虑SimeXML，因为它会哽住。< /P> 基本用法示例可在中找到，并且有

第三方库（基于libxml）如果您更喜欢使用第三方库，我建议使用实际使用/under的库，而不是字符串解析

- FluentDOM为PHP中的DOMDocument提供了类似于jQuery的FluentXML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实现的标准接口，并添加了来自DOM生活标准的特性。FluentDOM可以加载JSON、CSV、JsonML、RabbitFish等格式。可以通过Composer安装

Wa72\HtmlPageDom`是一个易于操作HTML的PHP库使用它的文档需要遍历 DOM树，并通过添加操作DOM的方法对其进行扩展 HTML文档树

（多年未更新） phpQuery是一个服务器端、可链接、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，并提供额外的命令行界面（CLI）

另见：

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_查询，它为使用XPath和CSS选择器查询Dom文档提供了统一的接口

QueryPath是一个用于处理XML和HTML的PHP库。它不仅设计用于本地文件，还设计用于web服务和数据库资源。它实现了jQuery接口的大部分功能（包括CSS样式选择器），但它经过了大量的服务器端使用调优。可以通过Composer安装

fDOMDocument扩展了标准DOM，使其在所有错误情况下都使用异常，而不是PHP警告或通知。为了方便和简化DOM的使用，它们还添加了各种自定义方法和快捷方式

sabre/xml是一个库，它包装和扩展XMLReader和XMLWriter类，以创建简单的“xml到对象/数组”映射系统和设计模式。编写和读取XML只需一次，因此速度很快，并且在大型XML文件上需要较低的内存

FluidXML是一个PHP库，用于使用简洁流畅的API处理XML。它利用

// 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>';

// 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;

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

// 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);

   Ability to manipulate elements and their attributes

   Supports invalid HTML and UTF8

   Can perform advanced CSS3-like queries on elements (like jQuery -- namespaces supported)

   Minify CSS and Javascript

   Sort attributes, change character case, correct indentation, etc.

   Parsing documents using callbacks based on current character/token

   Operations separated in smaller functions for easy overriding

<a\s+class="?playbutton\d?[^>]+id="(\d+)".+?    <a\s+class="[\w\s]*title
[\w\s]*"[^>]+href="(http://[^">]+)"[^>]*>([^<>]+)</a>.+?

$div->find(".stationcool a")->attr("title");

 $qp = qp("<html><body><h1>title</h1>..."); // or give filename or URL

 $qp->find("div.classname")->children()->...;

 foreach ($qp->find("p img") as $img) {
     print qp($img)->attr("src");
 }

 $qp->xpath("//div/p[1]");  // get first paragraph in a div

 $qp->find("a[target=_blank]")->toggleClass("usability-blunder");

$results = qp("div p");
$forename = $results->find("input[name='forename']");

$forename = $results->branch()->find("input[name='forname']")

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

$source = new XmlExtractor("path/to/tag", "/path/to/file.xml");
foreach ($source as $tag) {
    echo $tag->field1;
    echo $tag->field2->subfield1;
}

$xml = simplexml_load_string($xml_string);
$json = json_encode($xml);
$array = json_decode($json,TRUE);

function array_combine_($keys, $values) {
    $result = array();
    foreach ($keys as $i => $k) {
        $result[$k][] = $values[$i];
    }
    array_walk($result, create_function('&$v', '$v = (count($v) == 1)? array_pop($v): $v;'));

    return $result;
}

function extract_data($str) {
    return (is_array($str))
        ? array_map('extract_data', $str)
        : ((!preg_match_all('#<([A-Za-z0-9_]*)[^>]*>(.*?)</\1>#s', $str, $matches))
            ? $str
            : array_map(('extract_data'), array_combine_($matches[1], $matches[2])));
}

print_r(extract_data(file_get_contents("http://www.google.com/")));

namespace PowerTools;

use \Symfony\Component\CssSelector\CssSelector as CssSelector;

class DOM_Document extends \DOMDocument {
    public function __construct($data = false, $doctype = 'html', $encoding = 'UTF-8', $version = '1.0') {
        parent::__construct($version, $encoding);
        if ($doctype && $doctype === 'html') {
            @$this->loadHTML($data);
        } else {
            @$this->loadXML($data);
        }
    }

    public function querySelectorAll($selector, $contextnode = null) {
        if (isset($this->doctype->name) && $this->doctype->name == 'html') {
            CssSelector::enableHtmlExtension();
        } else {
            CssSelector::disableHtmlExtension();
        }
        $xpath = new \DOMXpath($this);
        return $xpath->query(CssSelector::toXPath($selector, 'descendant::'), $contextnode);
    }

    [...]

    public function loadHTMLFile($filename, $options = 0) {
        $this->loadHTML(file_get_contents($filename), $options);
    }

    public function loadHTML($source, $options = 0) {
        if ($source && $source != '') {
            $data = trim($source);
            $html5 = new HTML5(array('targetDocument' => $this, 'disableHtmlNsInDom' => true));
            $data_start = mb_substr($data, 0, 10);
            if (strpos($data_start, '<!DOCTYPE ') === 0 || strpos($data_start, '<html>') === 0) {
                $html5->loadHTML($data);
            } else {
                @$this->loadHTML('<!DOCTYPE html><html><head><meta charset="' . $encoding . '" /></head><body></body></html>');
                $t = $html5->loadHTMLFragment($data);
                $docbody = $this->getElementsByTagName('body')->item(0);
                while ($t->hasChildNodes()) {
                    $docbody->appendChild($t->firstChild);
                }
            }
        }
    }

    [...]
}

namespace PowerTools;

// Get file content
$htmlcode = file_get_contents('https://github.com');

// Define your DOMCrawler based on file string
$H = new DOM_Query($htmlcode);

// Define your DOMCrawler based on an existing DOM_Query instance
$H = new DOM_Query($H->select('body'));

// Passing a string (CSS selector)
$s = $H->select('div.foo');

// Passing an element object (DOM Element)
$s = $H->select($documentBody);

// Passing a DOM Query object
$s = $H->select( $H->select('p + p'));

// Select the body tag
$body = $H->select('body');

// Combine different classes as one selector to get all site blocks
$siteblocks = $body->select('.site-header, .masthead, .site-body, .site-footer');

// Nest your methods just like you would with jQuery
$siteblocks->select('button')->add('span')->addClass('icon icon-printer');

// Use a lambda function to set the text of all site blocks
$siteblocks->text(function( $i, $val) {
    return $i . " - " . $val->attr('class');
});

// Append the following HTML to all site blocks
$siteblocks->append('<div class="site-center"></div>');

// Use a descendant selector to select the site's footer
$sitefooter = $body->select('.site-footer > .site-center');

// Set some attributes for the site's footer
$sitefooter->attr(array('id' => 'aweeesome', 'data-val' => 'see'));

// Use a lambda function to set the attributes of all site blocks
$siteblocks->attr('data-val', function( $i, $val) {
    return $i . " - " . $val->attr('class') . " - photo by Kelly Clark";
});

// Select the parent of the site's footer
$sitefooterparent = $sitefooter->parent();

// Remove the class of all i-tags within the site's footer's parent
$sitefooterparent->select('i')->removeAttr('class');

// Wrap the site's footer within two nex selectors
$sitefooter->wrap('<section><div class="footer-wrapper"></div></section>');

[...]

$doc = fluidxml('<html>...</html>');

$title = $doc->query('//head/title')[0]->nodeValue;

$doc->query('//body/p', 'div.active', '#bgId')
        ->each(function($i, $node) {
            // $node is a DOMNode.
            $tag   = $node->nodeName;
            $text  = $node->nodeValue;
            $class = $node->getAttribute('class');
        });

$dom = new IvoPetkov\HTML5DOMDocument();
$dom->loadHTML('<!DOCTYPE html><html><body><h1>Hello</h1><div class="content">This is some text</div></body></html>');
echo $dom->querySelector('h1')->innerHTML;

<pre><?php
include "ScarletsQuery.php";

// Load the HTML content and parse it
$html = file_get_contents('https://www.lipsum.com');
$dom = Scarlets\Library\MarkupLanguage::parseText($html);

// Select meta tag on the HTML header
$description = $dom->selector('head meta[name="description"]')[0];

// Get 'content' attribute value from meta tag
print_r($description->attr('content'));

$description = $dom->selector('#Content p');

// Get element array
print_r($description->view);

$xml='http://www.example.com/rss.xml';
$rss = simplexml_load_string($xml);
$i = 0;
foreach ($rss->channel->item as $feedItem) {
  $i++;
  echo $title=$feedItem->title;
  echo '<br>';
  echo $link=$feedItem->link;
  echo '<br>';
  if($feedItem->description !='') {
    $des=$feedItem->description;
  } else {
    $des='';
  }
  echo $des;
  echo '<br>';
  if($i>5) break;
}