简单XML能用于浏览HTML吗？

Question

我想从一个表格中获取数据，但不想使用正则表达式。我喜欢使用 simplexml 来解析 RSS 订阅，想知道它是否可以用来从另一个页面中获取表格。

例如：使用 curl 或者简单的 file_get_contents() 函数获取页面内容，然后使用 simplexml 来获取表格内容？

- chris

Answer 1

您可以使用 DOM 模块中的 loadHTML 函数，然后通过 simplexml_import_dom 将该 DOM 导入到 SimpleXML 中：

$html = file_get_contents('http://example.com/');
$doc = new DOMDocument();
$doc->loadHTML($html);
$sxml = simplexml_import_dom($doc);

- phihag

---

大加1гЂ‚ж·»еЉ дғ†simplexml_import_domзљ„й“ңжҺӨе’ЊдёЂз‚№иү›дёЂж­Өзљ„и§Әй‡ЉгЂ‚ - T.J. Crowder

非常棒的技巧。不幸的是，看起来我正在工作的服务器上没有安装DOM模块。这通常是标准的吗？ - chris

@chris DOM及其依赖库libxml默认情况下都会被编译进去。它们可以在编译时显式地省略或在运行时禁用，但这是非常不寻常的。 - phihag

我遇到了致命错误：“在……中找不到DOMDocument类”，我猜测我的学校服务器上运行的Linux版本很奇怪，所以缺少它。simplexml和libxml是可用的。我会请求他们安装它。谢谢。 - chris

Answer 2

如果这是XHTML - 是的，这绝对是可能的。真正的XHTML最终只是XML，因此可以使用XML解析器解析。

然而，SimpleXML仅接受严格的XML。如果您无法获得有效的XHTML，则似乎将其先通过不太严格的DOMDocument库处理就可以解决问题（源代码在此）。

<?php
  $html = file_get_contents('http://...');
  $doc = new DOMDocument();
  $doc->strictErrorChecking = FALSE;
  $doc->loadHTML($html);
  $xml = simplexml_import_dom($doc);
?>

- Jon Gauthier

Answer 3

我的版本 - 容错能力强，对编码问题处理得当

libxml_use_internal_errors(true);
$doc = new DOMDocument();
$doc->strictErrorChecking = FALSE;
$doc->loadHTML(mb_convert_encoding($this->html_content, 'HTML-ENTITIES',  'UTF-8'));
libxml_use_internal_errors(false);
$xml = simplexml_import_dom($doc);

- Maciej Niemir

Answer 4

这可能取决于页面。如果页面是XHTML格式（现在大多数网页都是），那么任何XML解析器都可以使用，否则请寻找SGML解析器。这里有一个类似的问题，你可能会感兴趣：PHP中容错HTML/XML/SGML解析错误

- Piotr Turek

---

大多数网页？请问数据来源是什么？另外，请在SO（或互联网上）挖掘一下，找出人们通常为什么不能正确地提供XHTML。 - Mchl