适用于PHP的健壮成熟的HTML解析器

如何解析HTML / XML并从中提取信息?

回答:

回答:

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扩展使您可以通过带有PHP 5的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,因此您会找到许多语言的实现,因此,如果需要更改编程语言,那么您很可能已经知道如何使用该语言的DOMAPI。

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。

像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,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。


回答:

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FluentXML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DOMLivingStandard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来遍历DOM树,并通过添加用于处理HTML文档DOM树的方法来扩展它。

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,它基于用PHP5编写的jQueryJavaScript库,并提供了附加的命令行界面(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是单次通过的,因此可以快速进行,并且在大型xml文件上需要较少的内存。

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。


回答:

建立在DOM / libxml上的好处是,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解析器使您可以非常简单地操作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的库都应轻而易举地胜过它。

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美化工具(例如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
    • 将操作分成较小的功能,以便于覆盖

  • 快速简便

没用过。无法判断是否有好处。


回答:

您可以使用以上内容来解析HTML5,但是由于HTML5允许的标记,因此可能会有一些怪癖。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。


回答:

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少,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。


回答:

最后也是

,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。

您可以在网上找到与标记匹配的大多数代码片段都很脆弱。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。


以上是 适用于PHP的健壮成熟的HTML解析器 的全部内容, 来源链接: utcz.com/qa/401044.html

回到顶部