你如何在 PHP 中處理無效的 HTML？

Question

我見過這個問題，它非常好，內容豐富。 但是，它不處理相當常見的情況。

假設我需要抓取大量網站（甚至是同一個域中的頁面），但該網站的作者對他的代碼不夠關心，並且有一些嚴重畸形的代碼“有點工作”。 我需要從那個網站獲取信息。

在這種情況下我該怎么做？ 最好不要去í͞ń̡͢͡s̶̢̛á̢̕͘ń̵͢҉e̶̸̢̛。

是否有可能？ 我必須恢復到 RegExp 嗎？

Answer 1

你需要一個 DOM 解析器。 PHP 有一個. 再有是一些替代品（更多...只是谷歌為他們）。 如果需要，您甚至可以運行“亂碼 HTML” trhu HTML Purifier 。

Answer 2

我不知道您是如何抓取網站的，但是使用 RegExp 將允許您向抓取代碼添加許多條件。 這可能需要時間，具體取決於足跡的數量和您的 RegExp 技能。

您也可以在站點 HTML 上使用 Tidy，但這也會導致 IMO 產生奇怪的結果。

Answer 3

它必須是PHP嗎？ Python 有一個很棒的庫，叫做Beautiful Soup （ “你沒有寫出那個糟糕的頁面。你只是想從中獲取一些數據” ）。 根據我的經驗，我非常推薦它，如果您可以選擇，請編寫一個快速的 Python 腳本來將您的節點解析為您的 PHP 可以獲取的干凈文件。

（知道 PHP 在標題中，這並不能直接回答您的問題。如果您沒有（或不喜歡）Python 的選項，我很抱歉，只是想提供一個不錯的選擇。）