如何批量解析多个 HTML 文件并导出结构化 CSV 数据-php教程-PHP中文网

如何批量解析多个 HTML 文件并导出结构化 CSV 数据

本文详解如何使用 PHP 正确批量解析多个 HTML 文件，提取标题、Meta 标签及指定区域内容，并完整写入 CSV 文件——解决因循环中多次调用 fputcsv() 导致字段错位、仅前两列写入的常见问题。

本文详解如何使用 php 正确批量解析多个 html 文件，提取标题、meta 标签及指定区域内容，并完整写入 csv 文件——解决因循环中多次调用 `fputcsv()` 导致字段错位、仅前两列写入的常见问题。

在批量处理 HTML 文件并导出为 CSV 的场景中，一个典型错误是：在 foreach 循环内反复调用 fputcsv($file, $row) 时，若 $row 数组键名无序或长度不一致，CSV 解析器（如 Excel）可能误判字段边界，导致仅前几列显示正常，其余内容被截断或合并到同一单元格。原始代码的问题正源于此——它未确保每行数据严格按预定义字段顺序组织，且未对空值、特殊字符（如换行、逗号、引号）做转义处理。

✅ 正确做法是：先将每份 HTML 解析结果统一构造成与表头严格对齐的数值索引数组（即按固定顺序排列），再逐行写入；同时必须启用 fputcsv() 的自动转义机制（它默认处理引号包裹与内部换行），而非手动拼接字符串。

以下是优化后的完整实现（已修复原始逻辑缺陷，并增强健壮性）：

<?php error_reporting(E_ERROR | E_PARSE);
$directory = 'bella';
$myfiles = array_diff(scandir($directory), ['.', '..']); // 排除 . 和 .. 目录项

// 定义标准字段顺序（关键！必须与 fputcsv 写入顺序完全一致）
$headers = [
    'Title',
    'Meta Description',
    'Meta keywords',
    'Heading points',
    'Description'
];

ob_end_clean();
header('Content-Type: text/csv; charset=utf-8');
header('Content-Disposition: attachment; filename=acts_scarlet.csv');
header('Pragma: no-cache');
header('Expires: 0');

$file = fopen('php://output', 'w');
fputcsv($file, $headers); // 写入表头

foreach ($myfiles as $filename) {
    $path = $directory . '/' . $filename;

    // 仅处理 .html 文件（更安全的后缀判断）
    if (!is_file($path) || strtolower(pathinfo($filename, PATHINFO_EXTENSION)) !== 'html') {
        continue;
    }

    $html = file_get_contents($path);
    $dom = new DOMDocument();
    // 抑制解析警告（HTML 可能不规范），但需确保编码正确
    @$dom->loadHTML(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8'), LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);

    // 初始化当前行数据（按 $headers 顺序）
    $row = ['', '', '', '', ''];

    // 提取 title
    $titles = $dom->getElementsByTagName('title');
    if ($titles->length > 0) {
        $row[0] = trim($titles->item(0)->nodeValue);
    }

    // 提取 meta description & keywords
    $metas = $dom->getElementsByTagName('meta');
    foreach ($metas as $meta) {
        $name = strtolower($meta->getAttribute('name'));
        $content = $meta->getAttribute('content');
        if ($name === 'description') {
            $row[1] = trim($content);
        } elseif ($name === 'keywords') {
            $row[2] = trim(strip_tags($content));
        }
    }

    $xpath = new DOMXPath($dom);

    // 提取 class="reason" 下的内容
    $headingNodes = $xpath->evaluate('//div[contains(@class, "reason")]/node()');
    foreach ($headingNodes as $node) {
        $row[3] .= $dom->saveHtml($node);
    }
    $row[3] = strip_tags(trim($row[3]));

    // 提取 id="act-bio" 下的内容
    $contentNodes = $xpath->evaluate('//div[contains(@id, "act-bio")]/node()');
    foreach ($contentNodes as $node) {
        $row[4] .= $dom->saveHtml($node);
    }
    $row[4] = strip_tags(trim($row[4]));

    // ✅ 关键：使用 fputcsv 自动转义，传入数值索引数组
    fputcsv($file, $row);
}

fclose($file);
exit;
?>

? 关键改进说明：

Wechat HTML Publisher

直接上传HTML富文本到微信公众号草稿箱。支持完整的HTML格式,无需Markdown转换。

下载

字段顺序强约束：改用 $row = ['', '', '', '', ''] 数值索引数组，彻底规避关联数组键名无序导致的 CSV 列错位；
安全文件过滤：array_diff(scandir(...), ['.', '..']) 避免目录遍历异常；pathinfo(..., PATHINFO_EXTENSION) 比 explode('.', $f)[1] 更可靠；
HTML 编码兼容：mb_convert_encoding(..., 'HTML-ENTITIES', 'UTF-8') 防止中文等 UTF-8 字符解析失败；
DOM 加载加固：添加 LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD 参数，避免自动补全干扰 XPath 定位；
空值与清理：所有字段均 trim() 处理，strip_tags() 清除残留 HTML 标签，防止 CSV 格式污染；
自动转义保障：fputcsv() 原生支持 RFC 4180 标准（自动用双引号包裹含逗号/换行的字段），无需手动处理。

⚠️ 注意事项：

若 HTML 中存在大量富文本（如嵌套 <br>、<p></p>），strip_tags() 后可能丢失段落结构，此时建议保留纯文本并用 \n 替换块级标签；
大量文件处理时，注意 PHP 内存限制（memory_limit）和执行时间（max_execution_time），可考虑分批处理或启用 gc_collect_cycles()；
生产环境务必校验 $dom->loadHTML() 返回值，失败时记录日志而非静默跳过。