0

我试图弄清楚如何将 HTML 解析为 XML，但我无法弄清楚。我想使用该MSXML2.ServerXMLHTTP对象（在 .asp 文件中）。

<% 
url = "http://www.website.com/file.asp"
set xmlhttp = CreateObject("MSXML2.ServerXMLHTTP") 
xmlhttp.open "POST", url, false 
xmlhttp.send
Response.write xmlhttp.responseText
set xmlhttp = nothing 
%>

这给了我文字，但我真的不知道从哪里开始。

4

2 回答 2

0

我认为问题出在 HTML 文件的 HEAD 中。来自 MSDN：resonse 应该返回 XML（“text/xml”），但您的http://www.website.com/file.asp返回 HTML 内容，带有（“text/html”）mime 类型。

于 2012-05-22T15:51:29.097 回答
0

本机 XML 扩展

我更喜欢使用其中一种原生 XML 扩展，因为它们与 PHP 捆绑在一起，通常比所有 3rd 方库都快，并且为我提供了对标记的所有控制。

DOM

DOM 扩展允许您使用 PHP 5 通过 DOM API 对 XML 文档进行操作。它是 W3C 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 能够解析和修改真实世界（损坏的）HTML，并且可以进行 XPath 查询。它基于 libxml。

使用 DOM 需要一些时间来提高工作效率，但 IMO 非常值得。由于 DOM 是一个与语言无关的接口，您会发现许多语言的实现，因此如果您需要更改您的编程语言，那么您很可能已经知道如何使用该语言的 DOM API。

一个基本的使用示例可以在获取 A 元素的 href 属性中找到，一般概念概述可以在 PHP 中的 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 StackOverflow 来解决。

XML阅读器

XMLReader 扩展是一个 XML 拉解析器。阅读器充当文档流上的光标，并在途中的每个节点处停止。

XMLReader 和 DOM 一样，都是基于 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 的机会可能不如使用 DOM 强大，您可以明确告诉它使用 libxml 的 HTML 解析器模块。

h1在使用 PHP 从标签中获取所有值时可以找到一个基本的使用示例。

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 解析器还有一些可以调整的参数。

XML Parser 库也基于 libxml，并实现了 SAX 风格的 XML 推送解析器。它可能是比 DOM 或 SimpleXML 更好的内存管理选择，但比 XMLReader 实现的拉式解析器更难使用。

简单 XML

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。如果您需要解析损坏的 HTML，甚至不要考虑 SimpleXml，因为它会阻塞。

一个基本的使用示例可以在 A simple program to CRUD node and node values of xml 文件中找到，PHP 手册中有很多其他示例。

第 3 方库（基于 libxml）

如果您更喜欢使用第 3 方库，我建议使用实际上在下面使用 DOM/libxml 的库，而不是字符串解析。

FluentDom - 回购

FluentDOM 为 PHP 中的 DOMDocument 提供了一个类似 jQuery 的 fluent 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 生活标准的功能。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 Symfony2 组件中的 DomCrawler 来遍历 DOM 树，并通过添加用于操作 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，它基于用 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，它为使用 XPath 和 CSS 选择器查询 DOM 文档提供了一个统一的接口。

查询路径

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。它实现了大部分 jQuery 界面（包括 CSS 样式的选择器），但它针对服务器端使用进行了大量调整。可以通过 Composer 安装。

fDOM文档

fDOMDocument 扩展了标准 DOM 以在所有错误情况下使用异常，而不是 PHP 警告或通知。为了方便和简化 DOM 的使用，他们还添加了各种自定义方法和快捷方式。

军刀/xml

sabre/xml 是一个包装和扩展 XMLReader 和 XMLWriter 类的库，以创建一个简单的“XML 到对象/数组”映射系统和设计模式。写入和读取 XML 是单遍的，因此速度很快，并且在大型 XML 文件上需要较少的内存。

流体XML

FluidXML 是一个 PHP 库，用于使用简洁流畅的 API 操作 XML。它利用 XPath 和流畅的编程模式变得有趣和有效。

第 3 方（不基于 libxml）

在 DOM/libxml 上构建的好处是，您可以立即获得良好的性能，因为您是基于本机扩展的。然而，并不是所有的第 3 方库都走这条路。下面列出了其中一些。

PHP 简单的 HTML DOM 解析器

用 PHP5+ 编写的 HTML DOM 解析器让您以非常简单的方式操作 HTML！

  • 需要 PHP 5+。
  • 支持无效的 HTML。
  • 使用像 jQuery 一样的选择器在 HTML 页面上查找标签。
  • 在一行中从 HTML 中提取内容。

我一般不推荐这个解析器。代码库很糟糕，解析器本身相当慢且内存不足。并非所有的 jQuery 选择器（例如子选择器）都是可能的。任何基于 libxml 的库都应该很容易胜过这一点。

PHP HTML 解析器

PHPHtmlParser 是一个简单、灵活的 HTML 解析器，它允许您使用任何 CSS 选择器（如 jQuery）来选择标签。目标是协助开发需要快速、简单的方式来抓取HTML 的工具，无论它是否有效！这个项目最初由 sunra/php-simple-html-dom-parser 支持，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，我不会推荐这个解析器。由于 CPU 使用率很高，所以速度相当慢。也没有清除已创建 DOM 对象内存的功能。这些问题特别适用于嵌套循环。文档本身不准确且拼写错误，自 2016 年 4 月 14 日以来对修复没有任何回应。

加农

  • 通用标记器和 HTML/XML/RSS DOM 解析器
  • 操作元素及其属性的能力
  • 支持无效的 HTML 和 UTF8
  • 可以对元素执行类似 CSS3 的高级查询（如 jQuery -- 支持命名空间）
  • HTML 美化器（如 HTML Tidy）
  • 缩小 CSS 和 Javascript
  • 排序属性、更改字符大小写、正确缩进等。
  • 可扩展
  • 使用基于当前字符/令牌的回调解析文档
  • 操作在较小的函数中分离，以便于覆盖
  • 快速简便

从来没有用过。不能说好不好。

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，可能会有一些问题。因此，对于 HTML5，您需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，以最大程度地兼容主要的桌面 Web 浏览器。

一旦 HTML5 最终确定，我们可能会看到更多专用的解析器。W3 还发布了一篇名为 How-To for html 5 parsing 的博文，值得一试。

网页服务

如果您不想编写 PHP，也可以使用 Web 服务。一般来说，我发现这些的实用性很少，但这只是我和我的用例。

刮板维基

ScraperWiki 的外部接口允许您以您希望在 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板状态的信息。

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。

您在网络上找到的大多数与标记匹配的片段都很脆弱。在大多数情况下，它们只适用于非常特殊的 HTML 片段。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，可能会使 RegEx 在编写不正确时失败。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 教授正则表达式。RegEx 在某些情况下很好，但这实际上取决于您的用例。

您可以编写更可靠的解析器，但是当上述库已经存在并且在这方面做得更好时，使用正则表达式编写完整且可靠的自定义解析器是浪费时间。

另见 Parsing Html The Cthulhu Way

书籍如果你想花一些钱，看看

PHP Architect's Guide to Webscraping with PHP 我不隶属于 PHP Architect 或作者。

于 2019-06-27T18:00:05.550 回答