如何在PHP中解析和处理HTML / XML？

本机 XML 扩展

我更喜欢使用其中一个本机XML扩展，因为它们与PHP捆绑在一起，通常比所有第三方库都快，并给我所有需要的标记控制。

多姆

DOM 扩展允许您通过带有 PHP 5 的 DOM API 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，该级别是一个与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档的内容、结构和样式。

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需要一些时间来提高效率，但这段时间是值得的。由于DOM是一个与语言无关的接口，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，那么你很可能已经知道如何使用该语言的DOM API。

如何使用 DOM 扩展已在 StackOverflow 上进行了广泛的介绍，因此，如果您选择使用它，则可以确保通过搜索/浏览 Stack Overflow 可以解决您遇到的大多数问题。

其他答案中提供了基本用法示例和一般概念概述。

XMLReader

XMLReader 扩展是一个 XML 拉取解析器。读取器充当在文档流上前进并在途中的每个节点处停止的光标。

XMLReader，像DOM一样，是基于libxml的。我不知道如何触发HTML解析器模块，所以使用XMLReader解析损坏的HTML可能不如使用DOM可靠，你可以明确地告诉它使用libxml的HTML解析器模块。

在另一个答案中提供了基本的用法示例。

XML Parser

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

XML 解析器库也基于 libxml，并实现了 SAX 样式的 XML 推送解析器。对于内存管理来说，它可能是比 DOM 或 SimpleXML 更好的选择，但比 XMLReader 实现的拉取解析器更难使用。

SimpleXml

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。

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

有一个基本的用法示例，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上在下面使用DOM/ libxml而不是字符串解析的库。

流利多姆

FluentDOM为PHP中的DOMDocument提供了一个类似jQuery的Fluent 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中的功能。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，用于使用DOM轻松操作HTML文档。它需要来自 Symfony2 组件的 DomCrawler 来遍历 DOM 树，并通过添加用于操作 HTML 文档的 DOM 树的方法对其进行扩展。

phpQuery

phpQuery 是一个基于 jQuery JavaScript 库的服务器端、可链接的 CSS3 选择器驱动的文档对象模型 （DOM） API。该库是用 PHP5 编写的，并提供了额外的命令行界面 （CLI）。

这被描述为“废弃软件和错误：使用风险自负”，但似乎维护得很少。

层压板

Laminas\Dom 组件（以前称为 Zend_DOM）提供了用于处理 DOM 文档和结构的工具。目前，我们提供 ，它提供了一个统一的接口，用于使用XPath和CSS选择器查询DOM文档。Laminas\Dom\Query

此包被视为功能完备，现在处于仅安全维护模式。

fDOM文档

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。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。

sabre/xml

sabre/xml 是一个库，它包装和扩展 XMLReader 和 XMLWriter 类，以创建一个简单的“xml 到对象/数组”映射系统和设计模式。写入和读取 XML 是单通道的，因此速度可能很快，并且大型 xml 文件需要较低的内存。

流体XML

FluidXML是一个PHP库，用于使用简洁流畅的API操作XML。它利用XPath和流畅的编程模式来变得有趣和有效。

第三方（不是基于 libxml）

基于 DOM/libxml 进行构建的好处是，开箱即用可以获得良好的性能，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走下去。下面列出了其中一些

PHP Simple HTML DOM Parser

• 用 PHP5+ 编写的 HTML DOM 解析器可以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。
• 在一行中从 HTML 中提取内容。

我通常不建议使用这个解析器。代码库很糟糕，解析器本身相当慢，内存不足。并非所有 jQuery 选择器（如子选择器）都是可能的。任何基于 libxml 的库都应该很容易胜过这一点。

PHP Html Parser

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）选择标签。目标是协助开发需要快速，简单的方法来抓取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，我不会推荐这个解析器。它相当慢，CPU使用率很高。也没有函数来清除创建的DOM对象的内存。这些问题在嵌套循环中尤其严重。文档本身不准确且拼写错误，自 2016 年 4 月 14 日以来没有对修复的响应。

HTML 5

您可以使用上述内容来解析HTML5，但是由于HTML5允许的标记，可能会有一些怪癖。因此，对于HTML5，您可能需要考虑使用专用的解析器。请注意，这些是用PHP编写的，因此与较低级别语言的编译扩展相比，性能较低且内存使用量增加。

HTML5DomDocument

HTML5DOMDocument扩展了原生DOMDocument库。它修复了一些错误并添加了一些新功能。

• 保留 html 实体（DOMDocument 不保留）
• 保留 void 标记（DOMDocument 不保留）
• 允许插入将正确部件移动到正确位置的 HTML 代码（头部元素插入头部，身体元素插入正文）
• 允许使用 CSS 选择器查询 DOM（当前可用：、和 .）*tagnametagname#id#idtagname.classname.classnametagname.classname.classname2.classname.classname2tagname[attribute-selector][attribute-selector]div, pdiv pdiv > pdiv + pp ~ ul
• 添加对元素>类列表的支持。
• 添加对元素>innerHTML 的支持。
• 添加对元素>outerHTML 的支持。

HTML5

HTML5是一个完全用PHP编写的符合标准的HTML5解析器和编写器。它很稳定，在许多生产网站上使用，下载量超过500万次。

HTML5 提供了以下功能。

• HTML5 序列化程序
• 支持 PHP 命名空间
• 作曲家支持
• 基于事件（类似 SAX）的解析器
• DOM 树生成器
• 与查询路径的互操作性
• 在 PHP 5.3.0 或更高版本上运行

正则表达式

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。

您会在 Web 上找到的大多数匹配标记的代码段都很脆弱。在大多数情况下，它们只适用于非常特定的HTML片段。微小的标记更改（如在某处添加空格，或在标记中添加或更改属性）可能会使正则表达式在未正确编写时失败。在HTML上使用正则表达式之前，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正则表达式授课。正则表达式在某些情况下很好，但它实际上取决于您的用例。

您可以编写更可靠的解析器，但是当上述库已经存在并且在这方面做得更好时，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。

另请参阅解析 Html 克苏鲁方式

书

如果你想花一些钱，看看

• PHP 架构师使用 PHP 进行 Web 抓取指南

我不隶属于PHP架构师或作者。

尝试简单的HTML DOM Parser。

• 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。
• 在一行中从 HTML 中提取内容。
• 下载

注意：顾名思义，它对于简单的任务很有用。它使用正则表达式而不是HTML解析器，因此对于更复杂的任务，它将相当慢。其大部分代码库是在2008年编写的，从那时起只做了一些小的改进。它不遵循现代PHP编码标准，并且很难将其合并到符合PSR标准的现代项目中。

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;

刮擦斜杠点：

// 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);