你如何在 PHP 中解析和处理 HTML / XML？

如何解析 HTML / XML 并从中提取信息？

原生 XML 扩展

我更喜欢使用其中一个原生 XML 扩展，因为它们与 PHP 捆绑在一起，通常比所有第三方库更快，并且在标记上给我所需的所有控制权。

DOM

DOM 扩展允许您通过 PHP API 使用 PHP 5 对 XML 文档进行操作。它是 W3C 的文档对象模型核心级别 3 的实现，这是一个平台和语言中立的接口，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 能够解析和修改现实世界（破碎）的 HTML，并且可以执行XPath 查询。它基于libxml 。

使用 DOM 需要一些时间才能提高效率，但这个时间非常值得 IMO。由于 DOM 是一个与语言无关的接口，因此您可以找到多种语言的实现，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。

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

StackOverflow 上已经广泛介绍了如何使用 DOM 扩展，因此如果您选择使用它，您可以确定您遇到的大多数问题都可以通过搜索 / 浏览 Stack Overflow 来解决。

XMLReader 的

XMLReader 扩展是一个 XML pull 解析器。读取器在文档流上作为光标前进，并在途中停在每个节点上。

与 DOM 一样，XMLReader 基于 libxml。我不知道如何触发 HTML Parser 模块，因此使用 XMLReader 解析损坏的 HTML 的可能性可能不如使用 DOM，因为您可以明确告诉它使用 libxml 的 HTML Parser Module。

使用 php 从 h1 标签获取所有值时，可以找到一个基本用法示例

XML 解析器

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 解析器还有一些您可以调整的参数。

XML Parser 库也基于 libxml，并实现了SAX样式的 XML 推送解析器。它可能是比 DOM 或 SimpleXML 更好的内存管理选择，但是比 XMLReader 实现的 pull 解析器更难以使用。

SimpleXML 的

SimpleXML 扩展提供了一个非常简单且易于使用的工具集，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到 CRUD 节点和 xml 文件的节点值中找到，PHP 手册中还有很多其他的例子。

第三方库（基于 libxml）

如果您更喜欢使用第三方库，我建议使用实际上使用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 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` 是一个用于轻松操作 HTML 文档的 PHP 库。它需要来自 Symfony2 组件的 DomCrawler来遍历 DOM 树，并通过添加操作 HTML 文档的 DOM 树的方法来扩展它。

phpQuery （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： https ： //github.com/electrolinux/phpquery

Zend_Dom

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

的 QueryPath

QueryPath 是一个用于操作 XML 和 HTML 的 PHP库。它不仅适用于本地文件，还适用于 Web 服务和数据库资源。它实现了大部分 jQuery 接口（包括 CSS 样式选择器），但它经过大量调整以供服务器端使用。可以通过 Composer 安装。

fDOMDocument

fDOMDocument 扩展了标准 DOM，以便在所有错误情况下使用异常，而不是 PHP 警告或通知。为方便起见，他们还添加了各种自定义方法和快捷方式，并简化了 DOM 的使用。

军刀 / XML

saber / xml 是一个包装和扩展 XMLReader 和 XMLWriter 类的库，用于创建一个简单的 “xml 到对象 / 数组” 映射系统和设计模式。编写和读取 XML 是单遍的，因此可以快速并且需要大型 xml 文件的低内存。

FluidXML

FluidXML 是一个 PHP 库，用于通过简洁流畅的 API 来操作 XML。它利用 XPath 和流畅的编程模式，既有趣又有效。

第三方（不是基于 libxml 的）

构建 DOM / libxml 的好处是，您可以获得良好的开箱即用性能，因为您基于本机扩展。但是，并非所有第三方库都沿着这条路线行进。其中一些列在下面

PHP 简单的 HTML DOM 解析器

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

我一般不推荐这个解析器。代码库很糟糕，解析器本身很慢而且内存很耗。并非所有 jQuery 选择器（例如子选择器）都是可能的。任何基于 libxml 的库都应该比这更容易。

PHP Html 解析器

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

同样，我不推荐这个解析器。 CPU 使用率很高，速度相当慢。还没有清除已创建 DOM 对象的内存的功能。这些问题尤其适用于嵌套循环。文档本身不准确且拼写错误，自 4 月 14 日以来没有对修复的响应。

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 CSS3 的高级查询（比如 jQuery - 支持的命名空间）
HTML 美化器（如 HTML Tidy）
缩小 CSS 和 Javascript
排序属性，更改字符大小写，更正缩进等。
扩展
使用基于当前字符 / 标记的回调解析文档
操作以较小的功能分隔，以便轻松覆盖
快速而简单

从未使用过它。不知道它是否有用。

HTML 5

您可以使用上面的方法来解析 HTML5，但由于 HTML5 允许的标记，可能存在怪癖。因此，对于 HTML5，您要考虑使用专用解析器，例如

html5lib

基于 WHATWG HTML5 规范的 HTML 解析器的 Python 和 PHP 实现，可最大程度地兼容主要桌面 Web 浏览器。

HTML5 最终确定后，我们可能会看到更多专用解析器。还有一个 W3 的博客文章，名为How-To for html 5 parsing ，值得一试。

网页服务

如果您不想编写 PHP，也可以使用 Web 服务。一般来说，我发现这些实用程序的效用很小，但这只是我和我的用例。

YQL

YQL Web 服务使应用程序能够在 Internet 上查询，过滤和组合来自不同来源的数据。 YQL 语句具有类似 SQL 的语法，对于具有数据库经验的任何开发人员来说都很熟悉。

ScraperWiki 。

ScraperWiki 的外部界面允许您以您希望在 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刀状态的信息。

常用表达

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

您在网上找到的大多数与标记相匹配的片段都很脆弱。在大多数情况下，它们只适用于非常特殊的 HTML。微小的标记更改，例如在某处添加空格，或添加或更改标记中的属性，可能会导致 RegEx 在未正确编写时失败。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 讲授正则表达式。 RegEx 在某些情况下很好，但它实际上取决于您的用例。

您可以编写更可靠的解析器，但是使用正则表达式编写完整可靠的自定义解析器是浪费时间，因为上述库已经存在并且在此方面做得更好。

另见Parsing Html The Cthulhu Way

图书

如果你想花一些钱，看看吧

PHP 架构师使用 PHP 进行 Webscraping 指南

我不隶属于 PHP Architect 或作者。

尝试简单的 HTML DOM 解析器

用 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。
使用选择器在 HTML 页面上查找标签，就像 jQuery 一样。
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 Slashdot：

// 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 解析算法非常好而且速度快，而且与普遍看法相反，它不会阻碍格式错误的 HTML。

协慌网