PHP：解析HTML时xml_parser“标签不匹配”错误（自动关闭标签为 <img> ）？

Question

我想使用PHP解析HTML。 我为此使用了xml_parser，但是它不能应付<img>自动关闭标签。

例如，以下HTML代码段到达结束标记</a>时会产生“不匹配的标记”错误：

<a>
  <img src="URL"><br>
</a>

显然，原因是：xml_parser（）不知道标签<img>和<br>不需要关闭（因为它们是自动关闭的）。

我知道我可以将HTML重写为<img src="URL"/><br/>以使解析器满意。 但是，我希望解析器正确地正确处理这些HTML，因为上述变体将是有效的HTML。

所以我要么需要告诉解析器-在onOpeningTag中-此标记是否是自动关闭的。 这有可能吗？ 另一种选择是告诉解析器自动关闭标签名称的列表。 但是，我没有找到任何功能。 因此，这种解析器可能不支持“ HTML”。

可以接受的解决方案可能是完全禁用标签不匹配检查（或自己实现HTML兼容版本）。

但是，我可能忽略了PHP中特定于HTML的版本。 有什么建议可以使用其他简单的解析器实现吗？

这是我到目前为止的内容：

<?php

// Command Line Parsing...
$file = $argv[1];


// Tag Handler functions
function onOpeningTag($parser, $name, $attrs) {
  echo "OPEN: $name\n";
}

function onClosingTag($parser, $name) {
  echo "CLOSE: $name\n";
}

function onContent($parser, $text) {
  echo "TEXT (LEN:".strlen($text).")\n";
}

// Parser...
$xml_parser = xml_parser_create();
xml_set_element_handler($xml_parser, "onOpeningTag", "onClosingTag");
xml_set_character_data_handler($xml_parser, "onContent");

if (!($fp = fopen($file, "r"))) die("Could not open file '$file'.\n");
while ($data = fread($fp, 4096)) {
  if (!xml_parse($xml_parser, $data, feof($fp))) {
    die(sprintf("XML error: %s at line %d\n",
      xml_error_string(xml_get_error_code($xml_parser)),
      xml_get_current_line_number($xml_parser)));
  }
}
fclose($fp);

xml_parser_free($xml_parser);


?>

Answer 1

您想使用XML解析器解析HTML，这很容易引起麻烦。 XML比HTML严格得多，您总是会遇到这样的问题。 如果您的HTML大小不是很大（例如几十MB，而是一个普通的网页），则可以使用DOM- http://php.net/manual/en/book.dom.php 。

$dom = new DOMDocument();
$dom->loadHtml($html);
$lists = $dom->getElementsByTagName('ul');
// bla bla bla

我的建议是尝试使用专门的HTML解析库。 以下是一些建议：

• https://github.com/symfony/DomCrawler
• http://simplehtmldom.sourceforge.net/
• https://code.google.com/p/ganon/

愿原力与你同在！