PHP：解析HTML時xml_parser“標簽不匹配”錯誤（自動關閉標簽為 <img> ）？

Question

我想使用PHP解析HTML。 我為此使用了xml_parser，但是它不能應付<img>自動關閉標簽。

例如，以下HTML代碼段到達結束標記</a>時會產生“不匹配的標記”錯誤：

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

顯然，原因是：xml_parser（）不知道標簽<img>和<br>不需要關閉（因為它們是自動關閉的）。

我知道我可以將HTML重寫為<img src="URL"/><br/>以使解析器滿意。 但是，我希望解析器正確地正確處理這些HTML，因為上述變體將是有效的HTML。

所以我要么需要告訴解析器-在onOpeningTag中-此標記是否是自動關閉的。 這有可能嗎？ 另一種選擇是告訴解析器自動關閉標簽名稱的列表。 但是，我沒有找到任何功能。 因此，這種解析器可能不支持“ HTML”。

可以接受的解決方案可能是完全禁用標簽不匹配檢查（或自己實現HTML兼容版本）。

但是，我可能忽略了PHP中特定於HTML的版本。 有什么建議可以使用其他簡單的解析器實現嗎？

這是我到目前為止的內容：

<?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，這很容易引起麻煩。 XML比HTML嚴格得多，您總是會遇到這樣的問題。 如果您的HTML大小不是很大（例如幾十MB，而是一個普通的網頁），則可以使用DOM- http://php.net/manual/en/book.dom.php 。

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

我的建議是嘗試使用專門的HTML解析庫。 以下是一些建議：

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

願原力與你同在！