是否有用于 PHP 的宽松、宽松的 XML 解析器？

Posted 2023-02-24

【中文标题】是否有用于 PHP 的宽松、宽松的 XML 解析器？

【英文标题】：Is there a lax, permissive XML parser for PHP?

【发布时间】：2011-08-27 06:08:12

【问题描述】：

我正在寻找一个解析器，它可以让我成功解析损坏的 xml，例如采用“最佳猜测”方法。

    <thingy>
       <description>
           something <b>with</b> bogus<br> 
           markup not wrapped in CDATA
       </description>
    </thingy>

理想情况下，它将产生一个东西对象，带有描述属性和里面的任何标签汤。

欢迎提出有关如何解决问题的其他建议（除了从有效标记开始）。

非 php 解决方案（例如 Beautiful Soup (python)）并没有被排除在外，但我更愿意坚持公司的主流技能

谢谢！

【问题讨论】：

您没有理解 XML 的重点：XML 的主要思想是，如果遇到语法错误，它将杀死您、您的家人、您的朋友以及您曾经与之交谈过的任何人。没有严格错误处理的 XML 不再是 XML ^^

@nikic - 我一直处于与 OP 相同的位置，即不得不处理由第三方提供的损坏的“XML”输入，这些输入没有得到 XML 的重点。虽然我同意这并不理想，但当必须导入数据并且我们无法让第三方修复他们的系统时，我们只需要处理它。 :-(

和@Spudley 描述的差不多，是的

（提示） devzone.zend.com/article/2387

如果它可以成功解析损坏的 XML，那么它可能是一个非常有用的软件，但它不是 XML 解析器（符合标准的 XML 解析器不允许这样做）。

【参考方案1】：

您可以使用DOMDocument::loadhtml()（或DOMDocument::loadhtmlfile()）将损坏的XML 转换为正确的XML。如果您不喜欢处理 DOMDocument 对象，请使用 saveXML() 并使用 SimpleXML 加载生成的 XML 字符串。

$dom = DOMDocument::loadHTMLfile($filepath);
if (!$dom)

    throw new Exception("Could not load the lax XML file");

// Now you can work with your XML file using the $dom object.


// If you'd like using SimpleXML, do the following steps.
$xml = new SimpleXML($dom->saveXML());
unset($dom);

我试过这个脚本：

<?php
$dom = new DOMDocument();
$dom->loadHTMLFile('badformatted.xml');
if (!$dom)

    die('error');

$nodes = $dom->getElementsByTagName('description');
for ($i = 0; $i < $nodes->length; $i++)

    echo "Node content: ".$nodes->item($i)->textContent."\n";

从 CLI 执行此操作时的输出：

carlos@marmolada:~/xml$ php test.php

Warning: DOMDocument::loadHTMLFile(): Tag thingy invalid in badformatted.xml, line: 1 in /home/carlos/xml/test.php on line 3

Warning: DOMDocument::loadHTMLFile(): Tag description invalid in badformatted.xml, line: 2 in /home/carlos/xml/test.php on line 3
Node content:
                something with bogus
                markup not wrapped in CDATA

carlos@marmolada:~/xml$

编辑：一些小的更正和错误处理。

edit2：更改为非静态调用以避免 E_STRICT 错误，添加测试用例。

【讨论】：

唉，两者都失败了——XML 是因为 borked XML，而 HTML 是因为“无效”（对于 HTML）元素标签。

在我现在完成的一项测试中，它会发出有关未知 html 节点的警告，但它会正确加载所有元素（包括这些“未知”标签）。

您，先生，是对的 - 尽管警告是 PITA，但我可以暂时让这些特定任务静音。

只需对特定调用使用 @ 运算符：@$dom->loadHTMLFile($file);

【参考方案2】：

另一种方法是先使用Tidy HTML 库(PHP binding here) 来清理HTML。它在相当多的相当可怕的输入中幸存下来，而且我以前见过人们用它来抓取相当复杂的 HTML。

【讨论】：

这是我的建议。预处理，一旦格式正确，您根本不需要验证它。我假设这是某人对 RSS 网络提要的想法？

某人对产品目录的想法，甚至 - 哦，卡洛斯的回答做到了，尽管我可能会按照你的建议继续整理 HTML ......只是为了确保内部标记没有其他任何东西。