ホームページ  >  に質問  >  本文

PHP で HTML/XML を解析して処理するにはどうすればよいですか?

<p>HTML/XML を解析してそこから情報を抽出するにはどうすればよいですか? </p>
P粉838563523P粉838563523445日前469

全員に返信(2)返信します

  • P粉402806175

    P粉4028061752023-08-24 18:51:26

    シンプルな HTML DOM パーサー を試してください。

    リーリー

    HTML要素を変更する方法:

    リーリー

    HTML からコンテンツを抽出する: リーリー スラッシュドットを取得:

    リーリー

    返事
    0
  • P粉436410586

    P粉4364105862023-08-24 14:39:19

    ネイティブ XML 拡張機能

    私は、ネイティブ XML 拡張機能の の 1 つ を使用することを好みます。これは、通常、PHP を使用した場合、すべてのサードパーティ ライブラリよりも高速であり、マークアップに対して必要なすべての制御を提供するためです。

    ドム

    DOM は、実際の (壊れた) HTML を解析して変更することができ、XPath クエリ < /a> を実行できます。これは libxml に基づいています。

    DOM を使った作業が生産的になるまでには時間がかかりますが、私の意見では、時間をかける価値はあります。 DOM は言語に依存しないインターフェイスであるため、複数の言語で実装されているため、プログラミング言語を変更する必要がある場合は、その言語の DOM API の使用方法をすでに知っている可能性が高くなります。

    DOM 拡張機能の使用方法は StackOverflow で幅広く取り上げられているため、DOM 拡張機能を使用することを選択した場合、遭遇する問題のほとんどは Stack を検索/参照することで確実に解決できます。オーバーフロー。

    基本的な使用例一般概念の概要は、他の回答にあります。

    XMLリーダー

    XMLReader は、DOM と同様、libxml に基づいています。 HTML パーサー モジュールをトリガーする方法がわからないため、破損した HTML を解析するために XMLReader を使用することは、libxml の HTML パーサー モジュールを使用するように明示的に指示できる DOM を使用することほど強力ではない可能性があります。

    基本的な使用例は別の回答に記載されています。

    XML パーサー

    XML パーサー ライブラリも libxml に基づいており、

    SAX スタイルの XML プッシュ パーサーを実装しています。おそらくメモリ管理には DOM や SimpleXML よりも優れた選択肢ですが、XMLReader によって実装されたプル パーサーよりも使用するのが困難です。

    シンプルXml

    SimpleXML は、HTML が有効な XHTML であることがわかっている場合のオプションです。壊れた HTML を解析する必要がある場合は、ブロックされてしまうため、SimpleXml を考慮しないでください。

    基本的な使用例

    が提供されており、PHP マニュアルには他の多くの例 が記載されています。

    サードパーティ ライブラリ (libxml ベース)

    サードパーティのライブラリを使用したい場合は、文字列解析の代わりに以下の

    DOM

    /libxml を実際に使用することをお勧めします。

    FluentDom

    HTMLPageDom

    phpQuery

    これは「放棄されたソフトウェアとバグ: 自己責任で使用してください」と説明されていますが、最小限のメンテナンスが行われているようです。

    ラミナスダム

    fDOMドキュメント

    セイバー/xml

    流体XML


    サードパーティ (libxml に基づいていない)

    DOM/libxml をベースに構築する利点は、ネイティブ拡張機能をベースに構築しているため、すぐに優れたパフォーマンスが得られることです。ただし、すべてのサードパーティ ライブラリがこの方法を採用しているわけではありません。その一部を

    に以下に示します。

    PHP シンプルな HTML DOM パーサー

    通常、このパーサーは推奨しません。コードベースはひどいもので、パーサー自体は非常に遅く、メモリを大量に消費します。すべての jQuery セレクター (subselector など) が使用できるわけではありません。 libxml ベースのライブラリは、これを簡単に上回るパフォーマンスを発揮するはずです。

    PHP HTML パーサー

    繰り返しになりますが、このパーサーはお勧めしません。 CPU使用率が高いとかなり遅くなります。作成した DOM オブジェクトのメモリをクリアする機能もありません。これらの問題は、入れ子になったループで特に深刻です。文書自体は不正確でスペルミスが含まれており、2016 年 4 月 14 日以降修正の対応は行われていません。


    HTML5

    上記を使用して HTML5 を解析できますが、 HTML5 で許可されているタグが原因で、奇妙なことが起こる可能性があります 。したがって、HTML5 の場合は、専用のパーサーの使用を検討することをお勧めします。これらは PHP で記述されているため、低レベル言語でコンパイルされた拡張機能と比較してパフォーマンスが低下し、メモリ使用量が増加することに注意してください。

    HTML5DomDocument

    HTML5


    ###正規表現###

    最後および

    最も推奨されない

    では、正規表現を使用して HTML a > からデータを抽出できます。一般に、HTML では正規表現を使用することはお勧めできません。 Web 上で見つけられる、一致するタグのコード スニペットのほとんどは脆弱です。ほとんどの場合、これらは HTML の非常に特殊なスニペットでのみ機能します。マークアップの小さな変更 (どこかにスペースを追加したり、マークアップ内の属性を追加または変更したりするなど) によって、正規表現が正しく記述されないと失敗する可能性があります。 HTML で RegEx を使用する前に、何をしているのかを理解しておく必要があります。

    HTML パーサーは HTML の構文規則をすでに知っています。新しい正規表現を作成するたびに、正規表現を学習する必要があります。場合によっては正規表現が適していますが、それはユースケースによって異なります。

    あなたは

    より信頼性の高いパーサーを作成できます

    ただし、上記のライブラリがすでに存在する場合は、正規表現を使用して 完全で信頼性の高い カスタム パーサーを作成し、この点でより適切な作業を行います。 、それは時間の無駄です。 関連項目

    クトゥルフ流解析HTML

    < /a>


    少しお金を使いたい場合は、見てみることができます

    私は PHP アーキテクトや著者とは何の関係もありません。

    返事
    0
  • キャンセル返事