哪个HTML解析器（最好是PHP）支持获取当前节点在输入字符串中的偏移量？

Question

我正在寻找一个HTML或XML解析器，可以让用户访问输入字符串或文件中当前元素的偏移/位置。
例如，如果遍历以下字符串：

<div>
    <p>Lorem ipsum dolor sit amet, consectetur adipisicing elit</p>
    <p>sed do eiusmod tempor incididunt ut labore et dolore magna aliqua.</p>
</div>

我正在寻找一种方法来获取每个<p>标签的起始位置（包括空格），这里是：7和72。

如果PHP解析器本地支持此功能将会很好（我已经查看了DOM，XMLReader和其他在this SO question中提到的库，但没有找到方法），否则任何语言/框架都可以。

注意：与this question相关，但不那么局限。

- julien_c

---

@Gordon，我担心的是DOMNode::getLineNo似乎非常不可靠。如果像该页面所断言的那样是底层libxml2的错误，我可能需要找到一个非基于libxml2的解决方案。另一件事是我需要当前行的偏移量，而不仅仅是行号。 - julien_c

我很好奇你为什么需要那个。解析器的作用是将序列化的XML解析成某种数据结构，然后您可以修改它并将其重新序列化为XML。在原始XML字符串中节点所在的位置似乎无关紧要。至少我没有看到使用情况。 - Gordon

我正在构建一个EPUB阅读系统，其中“句子”（有时跨越多个XML节点）被突出显示，并且它们的位置被存储为HTML文件中起始和结束字符的偏移量。 - julien_c

'7' 是除以 5 再加换行符（1？）和制表符（1？）的结果吗？ - Chris

@Chris 是的，我猜你是指（字符数）。 - julien_c

Answer 1

也许你可以使用通用XML解析器类（也在github上）。

根据作者的描述：

• 解析任意XML输入并构建带有所有标记和数据元素结构的数组。
• 它可以验证和提取整个XML文档中的数据，只需一个函数调用即可。它支持验证常见的标记值数据类型，并可以使用子类执行自定义验证。
• 可选地，跟踪每个元素的位置，以允许确定可能在上下文中出错的元素的确切位置。
• 支持解析文件缓存以最小化重复解析相同文件的开销。
• 优化了简化XML（SML）格式的解析，忽略标记属性。
• 使用单个函数调用验证和提取整个XML文档中的数据。

我已经使用以下代码进行测试：

<?php

require('xml_parser.php');

$file_name = 'test.xml';
$error = XMLParseFile($parser, $file_name, 1, $file_name.'.cache');

foreach ($parser->structure as $key => $val) {
    if (is_array($val) && isset($val['Tag']) && !strcasecmp($val['Tag'], 'p')) {
        print_r($parser->positions[$key]);
    }
}

?>

test.xml 文件包含了你的示例 HTML 代码片段。
通过从命令行运行脚本，我得到了以下输出：

Array
(
    [Line] => 2
    [Column] => 7
    [Byte] => 12
)
Array
(
    [Line] => 3
    [Column] => 7
    [Byte] => 80
)

因此，Byte字段可能是您要查找的内容。
为了更好地理解其工作原理，请同时查看源代码。

- user1419445

---

谢谢你的回答。我有点担心这个库似乎有点晦涩，我会继续寻找。 - julien_c

你知道这个库是否仍在维护吗？还有其他建议，比如语言等吗？ - julien_c

@julien_c 最后一次文档更改日期是2012年9月5日，因此我认为该库仍在维护。该库使用PHP Expat解析器函数。例如，请查看xml_get_current_byte_index函数。 - user1419445

Answer 2

如果您不介意使用Java编码（在Java代码之后有PHP解决方案），您可以使用String类中的indexOf方法，获取此标记的偏移量。

以下是一个示例：

class Index {
    public static void main ( String [] args )
    {   
        String token = "<p>";
        String input = "<p> hola </p> <p> adios </a>";
        int beginIdx = -1; 
        while ( (beginIdx = input.indexOf( token, beginIdx + 1 )) != -1 ) {                                                                                                                                         
            System.out.println( "Token at: " + beginIdx );
        }   
    }   
}

输出结果如下：

Token at: 0
Token at: 14

在PHP中有一个类似的函数：

int strrpos ( string $haystack , string $needle [, int $offset = 0 ] )

您可以快速查看有关它的“man”页面（其中包含一些示例）：http://php.net/manual/es/function.strrpos.php

- arutaku

---

不是 OP 寻找的。这不使用 XML/HTML 解析器，对于任何未按照 <p> 完全编写的 P 元素（例如具有属性或大写字母），都会失败。 - Gordon

然后使用正则表达式而不是固定字符串。 - arutaku

我怀疑他会找到一个关心输入字符串位置的解析器，因为意图解析器的整个目的就是消除这些问题。 - Rimu Atkinson

使用stripos代替strrpos，因为stripos是不区分大小写的，并且只搜索"<p"而不是"<p>"。 - Rimu Atkinson

@RimuAtkinson 我不只是在寻找 <p> 标签（所有类型的标签） - julien_c