domdocument是php解析html表格最稳妥方案，但需预处理编码、包裹div、关闭空白符保留，并用xpath或childnodes获取th/td；colspan/rowspan需手动展开为稀疏矩阵以匹配人眼视图。
DOMDocument 是 PHP 里最稳妥的起点，但直接用它转数组容易漏掉 th、跳过空行、崩在 malformed HTML 上，也默认不处理 colspan 和 rowspan。别急着写正则，先看这几个关键点。
用 DOMDocument 加载 HTML 时总报 Warning 或结果为空
根本原因是 loadHTML() 会自动补全不规范结构（比如缺 或 ），同时触发 libxml 的警告。这些警告不中断执行，但会让 $dom->getElementsByTagName('table') 找不到东西。
解决方法很简单：
- 加
@抑制警告（仅开发期临时用）：@$dom->loadHTML($html) - 更可靠的是预处理：用
mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8')统一编码，再补一层<div> 包裹，避免根节点冲突<li>必须设置 <code>$dom->preserveWhiteSpace = false，否则nodeValue会混入大量换行和空格 - 推荐用
$row->getElementsByTagName('*')，再过滤nodeName === 'td' || nodeName === 'th' - 或者改用
$row->childNodes遍历所有子节点，判断nodeType === XML_ELEMENT_NODE且nodeName匹配 - 千万别用
getElementsByTagName(['td','th'])—— PHP 不支持数组参数，会直接报错 - 对每个单元格，按其实际起始列索引 +
colspan向右填值，跳过已被占用的位置（用二维数组标记已写） -
rowspan同理，但需跨行维护“当前列占用状态”，比colspan多一层状态管理
getElementsByTagName('td') 为什么拿不到 th？
getElementsByTagName() 只认一个标签名，'td' 和 'th' 是分开的。硬写两次再合并，容易错位——尤其当某行是 <tr>
<th>A</th>
<td>B</td>
</tr> 这种混合结构时。
正确做法是用 XPath 或组合查询：
遇到 colspan="2" 就少一列？
原始 DOM 不做单元格“展开”，colspan="2" 的 <td> 在数组里仍只占一个位置，但视觉上它横跨两列。如果目标是导出 CSV 或渲染对齐表格，这就导致列数错乱。<p>手动填充逻辑要满足两个前提：</p><div class="aritcle_card flexRow artxards">
<div class="artcardd flexRow">
<a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill7644" title="Wjs Localizing Video"><img
src="https://img.php.cn/upload/skill/000/000/081/179161038881467.jpg" alt="Wjs Localizing Video" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
<div class="aritcle_card_info flexColumn">
<a rel="nofollow" href="/xiazai/skill7644" title="Wjs Localizing Video" class="overflowclass">Wjs Localizing Video</a>
<p class="overflowclass">用于端到端视频本地化流程的轻量编排器，路由至四个专注子技能——/wjs-transcribing-audio、/wjs-translating-subtitles...</p>
</div>
<a rel="nofollow" href="/xiazai/skill7644" title="Wjs Localizing Video" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span>
</a>
</div>
</div>
<ul>
<li>先算出最大列数（遍历首行所有 <code>th/td，累加 colspan 值）
简单场景下可跳过填充，只记录原始结构；真要导出，建议用现成逻辑如 getTableData() 函数（JS 端）或封装好的 PHP 类，自己实现容易在边界 case（如 rowspan 超出行数）崩溃。
要不要用正则代替 DOM？
别。正则解析 HTML 是反模式，哪怕只是提取表格。你看到的“能跑”的正则代码，基本都假设：
- 标签全部小写、无属性、无嵌套、无注释、无 CDATA
-
<td> 和 <code>在同一行，且中间没换行符 - 没实体编码（
一旦网页来自真实爬虫或 CMS 输出，这些假设立刻失效。DOM 解析慢一点，但稳定；正则快一点，但上线后第一张含 data-* 属性的表格就挂。
真正该省时间的地方，是提前剪裁 HTML：用 preg_match('/<table>]*?>.*?/is', $html, $match) 先捞出 table 片段，再交给 <code>DOMDocument，比整个页面解析快得多。
复杂点不在怎么取文本，而在怎么定义“一行一列”——colspan 和 rowspan 让行列关系变成稀疏矩阵，而多数业务只要“人眼看到的表格形状”。这时候，宁可多花 20 行代码模拟渲染逻辑，也不要妥协成“能跑就行”的扁平数组。
