在PHP中如何解析和处理HTML/XML
技术背景
在PHP开发中，经常需要解析和处理HTML/XML数据。例如，在进行网页数据抓取、数据转换等操作时，都需要对HTML/XML进行解析。PHP提供了多种方式来实现这一需求，不同的方法适用于不同的场景。
实现步骤
原生XML扩展
- DOM：允许通过DOM API操作XML文档，基于libxml，能解析和修改真实世界中的（有缺陷的）HTML，还能进行XPath查询。
1
2
3
4
5
|
$dom = new DOMDocument();
@$dom->loadHTML('<html><body><h1>Hello, World!</h1></body></html>');
$h1 = $dom->getElementsByTagName('h1')->item(0);
echo $h1->textContent;
|
- XMLReader：是一个XML拉取解析器，基于libxml，像游标一样在文档流上向前移动并在每个节点处停止。
1
2
3
4
5
6
7
8
9
|
$reader = new XMLReader();
$reader->open('example.xml');
while ($reader->read()) {
if ($reader->nodeType == XMLReader::ELEMENT && $reader->name == 'item') {
echo $reader->readInnerXML();
}
}
$reader->close();
|
- XML Parser：可创建XML解析器并为不同的XML事件定义处理程序，基于libxml，实现了SAX风格的XML推式解析器。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
$parser = xml_parser_create();
xml_set_element_handler($parser, "startElement", "endElement");
xml_set_character_data_handler($parser, "characterData");
$xml = '<root><item>Value</item></root>';
xml_parse($parser, $xml);
xml_parser_free($parser);
function startElement($parser, $name, $attrs) {
echo "Start element: $name\n";
}
function endElement($parser, $name) {
echo "End element: $name\n";
}
function characterData($parser, $data) {
echo "Character data: $data\n";
}
|
- SimpleXml：当HTML是有效的XHTML时可使用，它能将XML转换为对象，可通过普通属性选择器和数组迭代器进行处理。
1
2
3
4
|
$xml = '<root><item>Value</item></root>';
$simpleXml = simplexml_load_string($xml);
echo $simpleXml->item;
|
第三方库（基于libxml）
- FluentDom：为PHP中的DOMDocument提供类似jQuery的流畅XML接口，可通过XPath或CSS选择器进行选择。
- HtmlPageDom：使用DOM轻松操作HTML文档的PHP库，依赖于Symfony2组件的DomCrawler。
- phpQuery：基于jQuery JavaScript库的服务器端、可链式调用、由CSS3选择器驱动的DOM API。
- laminas-dom：提供处理DOM文档和结构的工具，提供统一的接口来使用XPath和CSS选择器查询DOM文档。
- fDOMDocument：扩展了标准DOM，在所有错误情况下使用异常而不是PHP警告或通知。
- sabre/xml：包装和扩展了XMLReader和XMLWriter类，创建了一个简单的“xml到对象/数组”映射系统和设计模式。
- FluidXML：用于操作XML的PHP库，具有简洁流畅的API。
第三方库（非基于libxml）
- PHP Simple HTML DOM Parser：用PHP5+编写的HTML DOM解析器，支持无效HTML，可像jQuery一样使用选择器查找标签。但代码库较差，解析速度慢且占用内存多。
1
2
3
4
5
6
|
include('simple_html_dom.php');
$html = file_get_html('http://www.example.com/');
foreach ($html->find('img') as $element) {
echo $element->src . '<br>';
}
|
- PHP Html Parser：简单灵活的HTML解析器，可使用任何CSS选择器选择标签。但速度较慢，CPU使用率高，且没有清除创建的DOM对象内存的功能。
HTML 5解析
- HTML5DomDocument：扩展了原生DOMDocument库，修复了一些错误并添加了一些新功能。
- HTML5：完全用PHP编写的符合标准的HTML5解析器和编写器，稳定且在许多生产网站中使用。
正则表达式
虽然不推荐，但在某些特定情况下可以使用正则表达式从HTML中提取数据。不过，正则表达式对HTML的匹配通常很脆弱，微小的标记变化可能导致正则表达式失败。
1
2
3
4
5
6
|
$html = '<html><body><img src="example.jpg"></body></html>';
preg_match_all('/<img\s+src="([^"]+)"/', $html, $matches);
foreach ($matches[1] as $src) {
echo $src . '<br>';
}
|
最佳实践
- 优先使用原生XML扩展，因为它们通常更快且能提供更多的控制。
- 当处理有效的XHTML时，可考虑使用SimpleXml。
- 对于需要类似jQuery操作的场景，可选择基于libxml的第三方库，如FluentDom、phpQuery等。
- 尽量避免使用正则表达式解析HTML，除非是非常简单的任务。
常见问题
- 解析有缺陷的HTML：可使用DOM扩展，它能处理一些有缺陷的HTML。也可使用HTML Tidy先清理HTML，将其转换为XHTML后再进行解析。
- 性能问题：使用基于原生扩展的方法和库通常能获得更好的性能。避免使用性能较差的第三方库，如PHP Simple HTML DOM Parser和PHP Html Parser。
- 正则表达式匹配失败：正则表达式对HTML的微小变化很敏感，应谨慎使用。如果必须使用，要确保正则表达式的编写考虑到可能的变化。