可以使用 simplexml 来遍历 html 吗？答案

【问题标题】：Can simplexml be used to rifle through html?可以使用 simplexml 来遍历 html 吗？
【发布时间】：2011-10-01 22:13:58
【问题描述】：

我想在不使用正则表达式的情况下从表中获取数据。我很喜欢使用 simplexml 来解析 RSS 提要，并且想知道它是否可以用来从另一个页面抓取表格。

例如。使用 curl 或简单地获取页面 file_get_contents();然后用simplexml抓取内容？

【问题讨论】：

标签： php html parsing simplexml

【解决方案1】：

如果这是 XHTML — 是的，这绝对是可能的。真正的 XHTML 归根结底就是 XML，所以可以用 XML 解析器来解析。

然而，SimpleXML 只接受严格的 XML。如果您无法获得有效的 XHTML，那么首先将其放入不太严格的 DOMDocument 库即可解决问题 (source here)：

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

【讨论】：

【解决方案2】：

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 SimpleXML：

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

【讨论】：

大+1。添加了指向simplexml_import_dom 的链接和一点点进一步的解释。
非常好的技巧。不幸的是，我正在处理的服务器上似乎没有安装 DOM 模块。它通常是标准的吗>？
@chris DOM 及其依赖项 libxml 均默认编译。它们可以在编译中显式忽略或在运行时禁用，但这是非常不寻常的。
我收到致命错误：在...中找不到类“DOMDocument”，我假设我的学校在服务器上运行了一个奇怪的 linux 版本，所以它丢失了。 simplexml 和 libxml 可用。我会要求他们安装它。谢谢。

【解决方案3】：

它可能取决于一个页面。如果页面是 XHTML（现在大多数网页），那么任何 XML 解析器都应该这样做，否则寻找 SGML 解析器。这里有一个类似的问题，你可能感兴趣：Error Tolerant HTML/XML/SGML parsing in PHP

【讨论】：

大多数网页？该数据的来源？另外，请在 SO（或一般的互联网）周围挖掘，找出人们通常不能正确提供 XHTML 的原因。

【解决方案4】：

我的版本 - 容忍错误和编码问题

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);

【讨论】：