如何在PHP中解析和处理HTML / XML？

原生XML扩展 我更喜欢使用其中一个原生XML扩展，因为它们与PHP捆绑在一起，通常比所有第三方库更快，并且在标记上给我所需的所有控制权。

DOM DOM扩展允许您使用PHP 5通过DOM API操作XML文档。它是W3C的文档对象模型核心级别3的实现，这是一个平台和语言中立的接口，允许程序和脚本动态访问和更新文件的内容，结构和风格。

DOM能够解析和修改现实世界（破碎）的HTML，并且可以执行XPath查询。它基于libxml。

使用DOM需要一些时间才能提高效率，但这个时间非常值得IMO。由于DOM是一个与语言无关的接口，因此您可以找到多种语言的实现，因此如果您需要更改编程语言，那么您很可能已经知道如何使用该语言的DOM API。

一个基本的用法示例可以在抓取A元素的href属性中找到，一般的概念概述可以在php的DOMDocument中找到

StackOverflow上已经广泛介绍了如何使用DOM扩展，因此如果您选择使用它，您可以确定您遇到的大多数问题都可以通过搜索/浏览Stack Overflow来解决。

XMLReader的 XMLReader扩展是一个XML pull解析器。读取器在文档流上作为光标前进，并在途中停在每个节点上。

与DOM一样，XMLReader基于libxml。我不知道如何触发HTML解析器模块，因此使用XMLReader解析损坏的HTML的可能性可能不如使用DOM，因为您可以明确告诉它使用libxml的HTML解析器模块。

使用php从h1标签获取所有值时，可以找到一个基本用法示例

XML解析器 此扩展允许您创建XML解析器，然后为不同的XML事件定义处理程序。每个XML解析器还有一些您可以调整的参数。

XML Parser库也基于libxml，并实现了SAX样式的XML推送解析器。它可能是比DOM或SimpleXML更好的内存管理选择，但是比XMLReader实现的pull解析器更难以使用。

SimpleXML的 SimpleXML扩展提供了一个非常简单且易于使用的工具集，用于将XML转换为可以使用普通属性选择器和数组迭代器处理的对象。

当您知道HTML是有效的XHTML时，SimpleXML是一个选项。如果你需要解析破碎的HTML，甚至不要考虑SimpleXml，因为它会窒息。

一个基本的用法示例可以在一个简单的CRUD节点程序和xml文件的节点值中找到，PHP手册中还有很多其他的例子。

第三方库（基于libxml） 如果您更喜欢使用第三方库，我建议使用实际上使用DOM / libxml而不是字符串解析的库。

FluentDom - 回购 FluentDOM为PHP中的DOMDocument提供了类似jQuery的流畅XML接口。选择器是用XPath或CSS编写的（使用CSS到XPath转换器）。当前版本扩展了DOM实现标准接口并添加了DOM Living Standard的功能。FluentDOM可以加载JSON，CSV，JsonML，RabbitFish等格式。可以通过Composer安装。

HtmlPageDom Wa72 \ HtmlPageDom`是一个用于轻松操作HTML文档的PHP库。它需要来自Symfony2组件的DomCrawler来遍历DOM树，并通过添加操作HTML文档的DOM树的方法来扩展它。

phpQuery（多年未更新） phpQuery是一个服务器端，可链接，CSS3选择器驱动的文档对象模型（DOM）API，基于用PHP5编写的jQuery JavaScript库，并提供额外的命令行界面（CLI）。

另见：https：//github.com/electrolinux/phpquery

Zend_Dom Zend_Dom提供了处理DOM文档和结构的工具。目前，我们提供Zend_Dom_Query，它提供了一个统一的界面，可以使用XPath和CSS选择器查询DOM文档。

的QueryPath QueryPath是一个用于操作XML和HTML的PHP​​库。它不仅适用于本地文件，还适用于Web服务和数据库资源。它实现了许多jQuery接口（包括CSS样式的选择器），但它在服务器端使用时经过了大量调整。可以通过Composer安装。

fDOMDocument fDOMDocument扩展了标准DOM，以便在所有错误情况下使用异常，而不是PHP警告或通知。为方便起见，他们还添加了各种自定义方法和快捷方式，并简化了DOM的使用。

军刀/ XML saber / xml是一个包装和扩展XMLReader和XMLWriter类的库，用于创建一个简单的“xml到对象/数组”映射系统和设计模式。编写和读取XML是单遍的，因此可以快速并且需要大型xml文件的低内存。

FluidXML FluidXML是一个用于使用简洁流畅的API来操作XML的PHP​​库。它利用XPath和流畅的编程模式，既有趣又有效。

第三方（不是基于libxml的） 构建DOM / libxml的好处是，您可以获得良好的开箱即用性能，因为您基于本机扩展。但是，并非所有第三方库都沿着这条路线行进。其中一些列在下面

PHP简单的HTML DOM解析器 用PHP5 +编写的HTML DOM解析器允许您以非常简单的方式操作HTML！ 需要PHP 5+。 支持无效的HTML。 使用选择器在HTML页面上查找标签，就像jQuery一样。 从一行中提取HTML中的内容。 我一般不推荐这个解析器。代码库很糟糕，解析器本身很慢而且内存很耗。并非所有jQuery选择器（例如子选择器）都是可能的。任何基于libxml的库都应该比这更容易。

PHP Html解析器 PHPHtmlParser是一个简单，灵活的html解析器，允许您使用任何css选择器（如jQuery）选择标签。目标是帮助开发需要快速，简单的方法来废弃html的工具，无论它是否有效！这个项目最初是由sunra / php-simple-html-dom-parser支持的，但支持似乎已经停止，所以这个项目是我对他以前工作的改编。

同样，我不推荐这个解析器。CPU使用率很高，速度相当慢。还没有清除已创建DOM对象的内存的功能。这些问题尤其适用于嵌套循环。文档本身不准确且拼写错误，自4月14日以来没有回复修复。

加农 通用标记器和HTML / XML / RSS DOM解析器 能够操纵元素及其属性 支持无效的HTML和UTF8 可以对元素执行类似CSS3的高级查询（比如jQuery - 支持的命名空间） HTML美化器（如HTML Tidy） 缩小CSS和Javascript 排序属性，更改字符大小写，更正缩进等。 扩展 使用基于当前字符/标记的回调解析文档 操作以较小的功能分隔，以便轻松覆盖 快速而简单 从未使用过它。不知道它是否有用。

HTML 5 您可以使用上面的方法来解析HTML5，但由于HTML5允许的标记，可能会有怪癖。因此，对于HTML5，您要考虑使用专用解析器，例如

html5lib

基于WHATWG HTML5规范的HTML解析器的Python和PHP实现，可与主要桌面Web浏览器实现最大兼容性。

HTML5最终确定后，我们可能会看到更多专用解析器。还有一个W3的博客文章，名为How-To for html 5 parsing，值得一试。

网页服务 如果您不想编写PHP，您也可以使用Web服务。一般来说，我发现这些实用程序很少，但那只是我和我的用例。

ScraperWiki。 ScraperWiki的外部界面允许您以您希望在Web或您自己的应用程序中使用的形式提取数据。您还可以提取有关任何刮刀状态的信息。

常用表达 最后也是最不推荐的，您可以使用正则表达式从HTML中提取数据。通常，不鼓励在HTML上使用正则表达式。

您可以在网上找到与标记相匹配的大多数片段都很脆弱。在大多数情况下，它们只适用于非常特殊的HTML。微小的标记更改，例如在某处添加空格，或添加或更改标记中的属性，可以使RegEx在未正确编写时失败。在HTML上使用RegEx之前，您应该知道自己在做什么。

HTML解析器已经知道HTML的语法规则。必须为您编写的每个新RegEx讲授正则表达式。RegEx在某些情况下很好，但它实际上取决于您的用例。

您可以编写更可靠的解析器，但是使用正则表达式编写完整可靠的自定义解析器是浪费时间，因为上述库已经存在并且在此方面做得更好。

类似于这种:

https://www.cirno.site/info.php

源码:https://www.cirno.site/info.txt

解析命令:

wget -O /home/ase/html/blog/sitemap.xml https://www.cirno.site/info.php>/dev/null 2>&1

涵义是访问位于 www.cirno.site 上的info.php,并下载提交到浏览器中的内容再生成xml,并放置到根目录提供给搜索引擎蜘蛛.

这个希望能大概帮到你.