使用 php 从另一个网站清理 html 代码

Question

我想从 this 网站获取一些数据，但是正如您在他们的 html 代码中看到的那样，<TABLE BORDER=0 CELLSPACING=1 CELLPADDING=3 WIDTH=100%> 没有使用 "" 就发生了一些奇怪的事情，还有一些其他东西，所以当我尝试使用 SimpleXmlElement 解析 table 时遇到错误，我已经使用了一段时间并且在某些网站上运行得很好，我正在做类似的事情：

$html = file_get_html('https://secure.tibia.com/community/?subtopic=killstatistics&world=Menera');
$table = $html->find('table', 4);

$xml = new SimpleXmlElement($table);

我收到一堆错误之类的东西，那么有没有一种方法可以在发送到 SimpleXmlElement 之前清理代码或者使用另一种 DOM class？大家有什么推荐的？

Answer 1

您的 HTML 代码的问题是标签属性没有用引号引起来：HTML 允许不带引号的属性，但 XML.[=38= 不允许]

如果你不关心属性，你可以继续使用Simple HTML Dom，否则你必须改变HTML解析器。

使用 Simple HTML 清理属性 DOM:

开始创建清除所有节点属性的函数：

function clearAttributes( $node )
{
    foreach( $node->getAllAttributes() as $key => $val )
    {
        $node->$key = Null;
    }
}

然后将该函数应用于您的 <table>、<tr> 和 <td> 节点：

clearAttributes( $table );

foreach( $table->find('tr') as $tr )
{
    clearAttributes( $tr );

    foreach( $tr->find( 'td' ) as $td )
    {
        clearAttributes( $td );
    }

}

最后但同样重要的是：站点 HTML 包含大量编码字符。如果你不想在你的 XML 中看到很多 <td>1 </td><td>0 </td>，你必须在你的字符串前面添加一个 utf-8 声明，然后再将它导入到 SimpleXml 对象中：

$xml = '<?xml version="1.0" encoding="utf-8" ?>'.html_entity_decode( $table );
$xml = new SimpleXmlElement( $xml );

phpFiddle demo

使用 DOM文档保存属性：

内置的 DOMDocument class 比 Simple HTML Dom 更强大，占用内存更少。在这种情况下，它将为您格式化原始 HTML。虽是外表，但使用起来却很简单。

首先，您必须初始化一个 DOMDocument 对象，设置 libxml_use_internal_errors（以抑制格式错误 HTML 的大量警告）并加载您的 url：

$dom = new DOMDocument();
libxml_use_internal_errors( 1 );
$dom->loadHTMLfile( 'https://secure.tibia.com/community/?subtopic=killstatistics&world=Menera' );
$dom->formatOutput = True;

然后，您检索所需的 <table>:

$table = $dom->getElementsByTagName( 'table' )->item(4);

而且，就像在 Simple HTML Dom 示例中一样，您必须预先添加 utf-8 声明以避免 奇怪的 字符：

$xml = '<?xml version="1.0" encoding="utf-8" ?>'.$dom->saveHTML( $table );
$xml = new SimpleXmlElement( $xml );

phpFiddle demo

如您所见，DOMDocument 检索节点的语法 HTML 与 Simple HTML Dom 不同：您始终需要引用主对象并指定要打印的节点作为参数：

echo $dom->saveHTML();          // print entire HTML document
echo $dom->saveHTML( $node );   // print node $node

编辑：删除使用 DOM文档：

要从 HTML 中删除不需要的  ，您可以预加载 HTML 并使用 str_replace。

更改此行：

$dom->loadHTMLfile( 'https://secure.tibia.com/community/?subtopic=killstatistics&world=Menera' );

有了这个：

$data = file_get_contents( 'https://secure.tibia.com/community/?subtopic=killstatistics&world=Menera' );
$data = str_replace( '&#160;', '', $data );
$dom->loadHTML( $data );

使用 php 从另一个网站清理 html 代码

Cleaning html code from another website using php

php

parsing

dom

simplexml

simple-html-dom

使用 Simple HTML 清理属性 DOM:

使用 DOM文档保存属性：

编辑：删除使用 DOM文档：

使用 php 从另一个网站清理 html 代码

Cleaning html code from another website using php

php

parsing

dom

simplexml

simple-html-dom

使用 Simple HTML 清理属性 DOM:

使用 DOM文档保存属性：

编辑：删除 使用 DOM文档：

编辑：删除使用 DOM文档：