当前位置: 首页 > 面试题库 >

如何用PHP解析HTML?

宣望
2023-03-14
问题内容

如何解析HTML / XML并从中提取信息?


问题答案:

本机XML扩展

我更喜欢使用本机XML扩展]之一,因为它们与PHP捆绑在一起,通常比所有第3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查询。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。

在Grabbing A元素的href属性中可以找到一个基本的用法示例,而在php的DOMDocument中可以找到基本的概念概述。

XML阅读器

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。

XML解析器

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。

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的库,而不是字符串解析。

FluentDom-回购

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。

Wa72 \ HtmlPageDom是一个PHP库,可使用它轻松处理HTML文档。它需要Symfony2组件中的DomCrawler遍历DOM树,并通过添加用于处理HTML文档DOM树的方法对其进行扩展。

phpQuery(多年未更新)

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

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。

查询路径

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简单HTMLDOM解析器

  • 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(例如子选择器)都是可行的。任何基于libxml的库都应该容易地胜过它。

PHP HTML解析器

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(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,但是该支持似乎已停止,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。

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(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

您可以使用上面的代码来解析HTML5,但是由于HTML5允许标记,因此可能会有一些古怪之处。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上还有一个博客文章,标题为How-To,用于html5解析,值得一试。

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

最后也是 最不推荐的做法是,您可以使用正则表达式)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在编写不正确时失败。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。

您可以编写更可靠的解析器,但是当上述库已经存在并且在此方面做得更好时,编写具有正则表达式的 完整且可靠的 自定义解析器会浪费时间。

另请参阅解析Cthulhu方式的HTML



 类似资料:
  • 问题内容: 我是PHP DOM解析的新手: 我有一个要解析的HTML文件。它有很多这样的DIV: 我正在尝试使用php获取许多div框的内容。如何使用DOM解析器执行此操作? 谢谢! 问题答案: 首先,我必须告诉您,您不能在两个不同的div上使用相同的ID;有一些关于这一点的课程。每个元素应具有唯一的ID。 使用id =“ interestingbox”获取div内容的代码 类的示例: 有关更多详

  • 问题内容: 我知道我们可以使用PHP DOM 来使用PHP解析HTML。我也在堆栈溢出中发现了很多问题。但是我有一个特定的要求。我有如下的HTML内容 我想解析以上HTML并将内容保存到两个不同的数组中,例如: 和 我可以简单地使用jQuery来实现。但是我不确定这是否正确。如果有人能指出我正确的方向,那就太好了。提前致谢。 问题答案: 尝试查看PHP简单HTML DOM解析器 它具有类似于jQu

  • 问题内容: 假设我有一个包含以下内容的文件: 如何通过PHP解析内容? 问题答案: 只需使用该功能即可解析CSV文件

  • 问题内容: 我试图使用PHP解析JSON文件。但是我现在被困住了。 这是我的JSON文件的内容: 到目前为止,这是我尝试过的: 但是,因为我不知道的名字(例如,)和所有可用键和值(如,)事前,我想我需要创建一些foreach循环。 我希望为此举一个例子。 问题答案: 要遍历多维数组,可以使用RecursiveArrayIterator 输出:

  • 问题内容: 我必须在我的网站上找到一张桌子。并且必须从“” 获取此表的数据,我已经尝试了很多方法,但是没有用。 .. 问题答案: 从外部来源获取数据时,要做的第一件事就是了解所返回的内容。 也是 结果: 因此,现在您知道您要处理的是对象,而不是标量值或数组。 因此,请尝试以下代码:-

  • 问题内容: 我有一个包含1-n纬度/经度记录的JSON字符串。看起来像这样: 什么是解析此值以获取经纬度值循环的好方法?转义的双引号是否会影响解析? 谢谢亚历克斯 问题答案: 打印…