在 PHP 中解析无效 HTML 的最佳方法

Posted 2023-02-24

【中文标题】在 PHP 中解析无效 HTML 的最佳方法

【英文标题】：Best way to parse an invalid HTML in PHP

【发布时间】：2011-04-06 03:04:07

【问题描述】：

有没有更好的方法来解析无效的 html，然后对其应用 Tidy？

旁注： 在某些情况下，您无法使用 Tidy。 也不建议使用正则表达式来解析 html。

【问题讨论】：

在您没有 Tidy 可用的情况下，您应该安装它。或者你一开始就不能使用损坏的 HTML。

你是认真的吗？至少有几次我无法做到这一点：来自需要解析的客户端的无效 html 代码，共享主机，没有安装 Tidy 的选项..

Best methods to parse HTML 的可能重复项

【参考方案1】：

我会尝试这样的事情：http://php.net/manual/en/domdocument.loadhtml.php

从那个页面：

该函数解析字符串源中包含的 HTML。与加载 XML 不同，加载 HTML 时不必格式正确。也可以静态调用此函数来加载和创建 DOMDocument 对象。

【讨论】：

似乎在两个或多个元素上将 HTML 对象加载到相同的 ID 值（尽管这可能来自 libxml）

【参考方案2】：

SimpleHTMLDOM 比 PHP 的原生 DOM 函数更宽松。

【讨论】：

建议的第三方替代 SimpleHtmlDom 实际使用 DOM 而不是字符串解析：phpQuery、Zend_Dom、QueryPath 和 FluentDom。

@Gordon 这次你太快了 :) 他正在寻找解析损坏的 HTML。

使用libxml's HTML parser module时，所有基于DOM的解析器都应该能够很好地处理。