代码之家 › 专栏 › 技术社区 › Thomas Ahle

在PHP中解析格式错误的HTML

sax parsing html php

Thomas Ahle · 技术社区 · 14 年前

在我的代码中,我使用OpenOffice将一些样式化的XLS文档转换为HTML。然后我用 xml_parser_create . 问题是,OpenOffice创建的Oldschool HTML没有关闭 <BR> 和 <HR> 标签,它不创建doctypes,也不引用属性 <TABLE WIDTH=4> .

我知道的PHP解析器不喜欢这样,会产生XML格式错误。我目前的解决方案是在解析文件之前对它运行一些regex,但这既不好也不快。

你知道(希望包括)一个PHP解析器,它不关心这些错误吗?或者是修复“坏掉的”HTML的快速方法?

4 回复 | 直到 7 年前

Pascal MARTIN 14 年前

解决“修复”损坏的HTML的方法是 HTMLPurifier (引用) :

HTML净化器符合标准用PHP编写的HTML过滤器库。
HTML净化器将不仅删除所有恶意代码(通常称为 xss)经彻底审计, 安全但允许的白名单,它 还将确保您的文档符合标准

另一种方法可能是尝试用 DOMDocument::loadHTML (引用) :

函数解析包含的HTML 在字符串源中。与加载不同 XML HTML不必是成形良好 加载。

如果要从文件加载HTML,请参见 DOMDocument::loadHTMLFile .

Gordon Haim Evgi 14 年前

有 SimpleHTML

对于修复损坏的HTML,可以使用 Tidy .

作为替代方案,您可以使用本机 XML Reader . 因为它是一个光标,在文档流中向前移动并在途中在每个节点处停止,所以它不会在无效的XML文档上中断。

见 http://www.ibm.com/developerworks/library/x-pullparsingphp.html

BlackAura 14 年前

您仍然使用PHP4XMLAPI有什么特别的原因吗?

如果您可以摆脱使用PHP5的XML API,有两种可能。

首先,尝试使用内置的HTML解析器。这真的不是很好(在格式不好的HTML上很容易窒息),但它可能会起作用。请看一下domDocument::loadHTML。

第二个选项-您可以尝试基于HTML5解析器规范的HTML解析器:

http://code.google.com/p/html5lib/

这往往比内置的php-html解析器工作得更好。它将HTML加载到domDocument对象中。

Jerry 7 年前

解决方案是使用domdocument。

例子:

$str = "
<html>
 <head>
  <title>test</title>
 </head>
 <body>
  </div>error.
  <p>another error</i>
 </body>
</html>
";

$doc = new DOMDocument();
@$doc->loadHTML($str);
echo $doc->saveHTML();

优点:本机包含在PHP中,与PHP整洁相反。

推荐文章

Jacco · 未能格式化我的日期以在php中正确工作

1 年前