如何parsing和处理PHP中的HTML / XML？

如何parsingHTML / XML并从中提取信息？

原生XML扩展

我更喜欢使用原生XML扩展之一，因为他们与PHP捆绑在一起，通常比所有的第三方库更快，给我所有的控制我需要通过标记。

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的文档对象模型Core Level 3的实现，它是一个平台和语言无关的接口，允许程序和脚本dynamic访问和更新文件的内容，结构和风格。

DOM能够parsing和修改真实世界（损坏）的HTML，并且可以执行XPath查询。它基于libxml 。

这需要一段时间才能提高DOM的效率，但是那个时候IMO完全值得。由于DOM是一个与语言无关的接口，所以你会发现许多语言的实现，所以如果你需要改变你的编程语言，那么很可能你已经知道如何使用该语言的DOM API了。

一个基本的用法示例可以在抓取A元素的href属性中find，一般概念概述可以在DOMDocument中find

如何使用DOM扩展已经在StackOverflow中得到了广泛的介绍，所以如果你select使用它，你可以确定你遇到的大部分问题都可以通过search/浏览Stack Overflow来解决。

XMLReader的

XMLReader扩展是一个XML拉parsing器。阅读器充当文档stream上的光标，并在途中的每个节点处停止。

像XML一样，XMLReader基于libxml。我不知道如何触发HTMLparsing器模块，因此使用XMLReaderparsing断开的HTML的可能性比使用DOM明显地告诉它使用libxml的HTMLparsing器模块的可能性要低。

一个基本的用法示例可以在使用php获取来自h1标签的所有值

XMLparsing器

这个扩展允许您创buildXMLparsing器，然后为不同的XML事件定义处理程序。每个XMLparsing器也有一些可以调整的参数。

XMLparsing器库也基于libxml，并实现了SAX风格的XML推送parsing器。内存pipe理可能比DOM或SimpleXML更好，但是比使用XMLReader实现的pullparsing器更难。

SimpleXML的

SimpleXML扩展提供了一个非常简单易用的工具集，可以将XML转换为可以使用常规属性select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。如果你需要parsing破碎的HTML，甚至不要考虑SimpleXml，因为它会窒息。

一个基本的用法示例可以在一个简单的程序中findxml文件的CRUD节点和节点值，在PHP手册中还有大量的附加示例。

第三方库（基于libxml）

如果你更喜欢使用第三方库，我build议使用一个实际使用DOM / libxml而不是stringparsing的库。

FluentDom

FluentDOM为PHP中的DOMDocument提供了类似jQuery的stream畅的XML接口。 select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 Living标准的function。 FluentDOM可以加载JSON，CSV，JsonML，RabbitFish等格式。可以通过Composer进行安装。

HtmlPageDom

Wa72 \ HtmlPageDom是一个PHP库，可以轻松处理HTML文档。它需要Symfony2组件中的DomCrawler遍历DOM树，并通过添加操作HTML文档DOM树的方法来扩展它。

phpQuery （未更新多年）

phpQuery是一个服务器端，可链接，CSS3select器驱动的基于PHP5中编写的jQuery JavaScript库的文档对象模型（DOM）API，并提供了额外的命令行界面（CLI）。

另请参阅： https ： //github.com/electrolinux/phpquery

Zend_Dom

Zend_Dom提供了用于处理DOM文档和结构的工具。目前，我们提供了Zend_Dom_Query，它提供了一个统一的接口，用于使用XPath和CSSselect器来查询DOM文档。

的QueryPath

QueryPath是一个用于处理XML和HTML的PHP库。它被devise成不仅与本地文件一起工作，而且还与Web服务和数据库资源一起工作。它实现了大部分的jQuery接口（包括CSS风格的select器），但是对服务器端的使用进行了严格的调整。可以通过Composer进行安装。

fDOMDocument

fDOMDocument扩展了标准DOM，以在所有错误场合使用exception，而不是PHP警告或通知。他们还添加了各种自定义方法和快捷方式，以方便并简化DOM的使用。

军刀/ XML

saber / xml是一个包装和扩展XMLReader和XMLWriter类的库，以创build一个简单的“xml to object / array”映射系统和devise模式。写入和读取XML是单向的，因此可以是快速的并且需要大的xml文件的低内存。

FluidXML

FluidXML是一个用简洁而stream畅的API操纵XML的PHP库。它利用了XPath和stream畅的编程模式，变得有趣而有效。

第三方（不是基于libxml的）

build立在DOM / libxml上的好处是你可以获得很好的性能，因为你基于本地扩展。然而，并不是所有的第三方库都沿着这条路线走下去。其中一些列在下面

PHP简单的HTML DOMparsing器

用PHP5 +编写的HTML DOMparsing器可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select器就像jQuery一样在HTML页面上查找标签。

从一行中提取HTML中的内容。

我通常不推荐这个parsing器。代码库是可怕的，parsing器本身是比较慢，内存饿了。并非所有的jQueryselect器（如子select器）都是可能的。任何基于libxml的库应该比这个容易。

PHP的HTMLparsing器

PHPHtmlParser是一个简单，灵活的HTMLparsing器，它允许你使用任何CSSselect器，如jQueryselect标签。我们的目标是协助开发工具，这需要一个快速，简单的方法来删除HTML，无论是否有效！这个项目最初由sunra / php-simple-html-dom-parser支持，但支持似乎已经停止了，所以这个项目是我对他以前的工作的改编。

再次，我不会推荐这个parsing器。 CPU占用率高，速度慢。也没有函数来清除所创build的DOM对象的内存。这些问题特别是嵌套循环。文件本身是不准确的，拼写错误，自16年4月14日以来没有答复修复。

加农

通用标记器和HTML / XML / RSS DOMparsing器

能够操纵元素及其属性

支持无效的HTML和UTF8

可以对元素执行高级CSS3类查询（比如jQuery – 支持的命名空间）

一个HTML美化（如HTML Tidy）

缩小CSS和Javascript

sorting属性，更改字符大小写，正确缩进等

扩展

使用基于当前字符/标记的callback来parsing文档

操作以较小的函数分隔，以便于覆盖

快速和容易

从未使用过。不知道是否有好处。

HTML 5

您可以使用上面的parsingHTML5，但是由于HTML5允许的标记，可能会出现怪癖。所以对于HTML5你想考虑使用一个专用的parsing器，比如

html5lib

基于WHATWG HTML5规范的HTMLparsing器的Python和PHP实现，用于与主要桌面Web浏览器的最大兼容性。

一旦HTML5完成，我们可能会看到更多的专用parsing器。也有一个W3的标题为How to To HTML 5parsing ，这是值得一试的博客。

网页服务

如果你不喜欢编程PHP，你也可以使用Web服务。一般来说，我发现这些function很less，但这只是我和我的用例。

YQL

YQL Web服务使应用程序能够查询，过滤和组合来自互联网上不同来源的数据。 YQL语句具有类似于SQL的语法，任何具有数据库经验的开发人员都会熟悉。

ScraperWiki 。

ScraperWiki的外部接口允许您以networking或自己的应用程序的forms提取数据。您也可以提取有关任何刮板状态的信息。

正则expression式

最后，也是最不推荐的 ，你可以用正则expression式从HTML中提取数据。一般情况下在HTML上使用正则expression式是不鼓励的。

大部分你在网上find的匹配标记的片段都很脆弱。在大多数情况下，他们只为一个非常特殊的HTML工作。微小的标记变化，比如在某个地方添加空格，或者在标签中添加或者改变属性，会导致正则expression式在不正确的写入时失败。在HTML上使用正则expression式之前，您应该知道自己在做什么。

HTMLparsing器已经知道HTML的语法规则。正则expression式必须教你每个新的正则expression式。在某些情况下，正则expression式很好，但是这取决于你的用例。

您可以编写更可靠的parsing器，但是使用正则expression式编写完整且可靠的定制parsing器会浪费时间，因为前面提到的库已经存在，并且做得更好。

另请参阅parsingHtml The Cthulhu Way

图书

如果你想花一些钱，看看

PHP架构师使用PHP进行Web浏览的指南

我不隶属于PHP架构师或作者。

尝试简单的HTML DOMparsing器

用PHP 5+编写的HTML DOMparsing器，可以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select器就像jQuery一样在HTML页面上查找标签。
从一行中提取HTML中的内容。
下载

例子：

如何获取HTML元素：

// Create DOM from URL or file $html = file_get_html('http://www.example.com/'); // Find all images foreach($html->find('img') as $element) echo $element->src . '<br>'; // Find all links foreach($html->find('a') as $element) echo $element->href . '<br>';

如何修改HTML元素：

 // Create DOM from string $html = str_get_html('<div id="hello">Hello</div><div id="world">World</div>'); $html->find('div', 1)->class = 'bar'; $html->find('div[id=hello]', 0)->innertext = 'foo'; echo $html;

从HTML中提取内容：

 // Dump contents (without tags) from HTML echo file_get_html('http://www.google.com/')->plaintext;

刮刮板：

 // Create DOM from URL $html = file_get_html('http://slashdot.org/'); // Find all article blocks foreach($html->find('div.article') as $article) { $item['title'] = $article->find('div.title', 0)->plaintext; $item['intro'] = $article->find('div.intro', 0)->plaintext; $item['details'] = $article->find('div.details', 0)->plaintext; $articles[] = $item; } print_r($articles);

只需使用DOMDocument-> loadHTML（）并完成它。 libxml的HTMLparsingalgorithm相当好，速度很快，与stream行的观点相反，它不会歪曲格式错误的HTML。

为什么你不应该使用正则expression式？

首先，一个常见的误称：正则expression式不是用来“ parsing ” HTML的。正则expression式可以“ 提取 ”数据。提取是他们的目的。正则expression式提取超过正确的SGML工具包或基线XMLparsing器的主要缺点是它们的语法工作量和不同的可靠性。

考虑做一个可靠的HTML提取正则expression式：

 <a\s+class="?playbutton\d?[^>]+id="(\d+)".+? <a\s+class="[\w\s]*title [\w\s]*"[^>]+href="(http://[^">]+)"[^>]*>([^<>]+)</a>.+?

是一种简单的phpQuery或QueryPath等效方式：

 $div->find(".stationcool a")->attr("title");

然而，有特定的用例可以帮助他们。

许多DOM遍历前端不会显示HTML注释<!-- ，但有时它们是提取更有用的锚点。特别是伪HTML变体<$var>或SGML残基很容易被正则expression式驯服。
通常，正则expression式可以节省后期处理。但是，HTML实体通常需要手动处理。
最后，对于像提取<img src = url这样的非常简单的任务 ，它们实际上是一个可能的工具。与SGML / XMLparsing器相比，速度优势主要体现在这些非常基本的提取过程中。

有时甚至build议使用正则expression式/(.+?)/预先提取HTML片段，并使用更简单的HTMLparsing器前端处理剩余的部分。

注意：我实际上有这个应用程序，我使用XMLparsing和正则expression式交替。就在上个星期，PyQueryparsing破解了，正则expression式仍然有效。是奇怪的，我不能自己解释。但事情发生了。
所以，请不要将真实世界的考虑因素投下来，只是因为它不符合regex = evil meme。 但是，我们也不要投票太多。 这只是这个话题的一个旁注。

phpQuery和QueryPath在复制stream畅的jQuery API方面非常相似。这也是为什么他们是在PHP中正确parsingHTML的两种最简单的方法。

QueryPath的示例

基本上你首先从一个HTMLstring创build一个可查询的DOM树：

  $qp = qp("<html><body><h1>title</h1>..."); // or give filename or URL

生成的对象包含HTML文档的完整树形表示。它可以使用DOM方法遍历。但常用的方法是像使用jQuery一样使用CSSselect器：

  $qp->find("div.classname")->children()->...; foreach ($qp->find("p img") as $img) { print qp($img)->attr("src"); }

大多数情况下，您希望使用简单的#id和.class或DIV标签select器来执行->find() 。但是你也可以使用XPath语句，有时候这个语句更快。另外，像->children()和->text() ，特别是->attr()这样的典型jQuery方法可以简化提取正确的HTML代码片段。（已经有他们的SGML实体解码。）

  $qp->xpath("//div/p[1]"); // get first paragraph in a div

QueryPath还允许向stream中->append新的标签（ ->append ），并稍后输出和美化已更新的文档（ ->writeHTML ）。它不仅可以parsing格式不正确的HTML，而且可以parsing各种XML方言（带有命名空间），甚至可以从HTML微格式（XFN，vCard）中提取数据。

  $qp->find("a[target=_blank]")->toggleClass("usability-blunder");

。

phpQuery或QueryPath？

通常QueryPath更适合于处理文档。虽然phpQuery也实现了一些伪AJAX方法（只是HTTP请求）更接近jQuery。据说phpQuery通常比QueryPath更快（因为整体function较less）。

有关差异的更多信息，请参阅tagbyte.org上的wayback机器的比较。（原始资料不见了，所以这里有一个互联网档案的链接。是的，你仍然可以find遗失的网页，人。）

这里有一个全面的QueryPath介绍。

优点

简单和可靠
简单易用的替代品->find("a img, a object, div a")
适当的数据消除（与正则expression式相比）

简单的HTML DOM是一个伟大的开源parsing器：

simplehtmldom.sourceforge

它以面向对象的方式对待DOM元素，新的迭代对不兼容的代码有很多的覆盖。还有一些很棒的function就像你在JavaScript中看到的那样，比如“find”function，它将返回标签名称元素的所有实例。

我已经在很多工具中使用了这个工具，在很多不同types的网页上testing它，我认为它工作的很好。

我在这里没有提到的一个通用方法是通过Tidy运行HTML，它可以被设置为吐出保证有效的XHTML。那么你可以使用任何旧的XML库。

但是对于你的具体问题，你应该看看这个项目： http : //fivefilters.org/content-only/ – 这是一个Readabilityalgorithm的修改版本，它被devise为只提取文本内容（不是头文件和页脚）从一个页面。

对于1a和2：我会投票支持新的Symfony Componet类DOMCrawler（ DomCrawler ）。这个类允许类似于CSSselect器的查询。看看这个演示文稿中的真实世界的例子： symfony2世界的新闻。

该组件被devise为独立工作，并且可以在没有Symfony的情况下使用。

唯一的缺点是只能使用PHP 5.3或更新版本。

顺便说一下，这通常被称为屏幕抓取 。我用这个库是简单的HTML Domparsing器。

之前我们已经为我们的需求创build了不less爬虫。在一天结束的时候，通常是简单的正则expression式来做最好的事情。虽然上面列出的库对于创build它们的原因很有好处，但是如果您知道要查找的内容，则正则expression式是更安全的方法，因为您也可以处理无效的HTML / XHTML结构，如果加载通过大多数parsing器。

我推荐PHP简单的HTML DOMparsing器。

它真的有很好的function，如：

 foreach($html->find('img') as $element) echo $element->src . '<br>';

这听起来像W3C XPath技术的一个很好的任务描述。像“嵌套在<foo><bar><baz> elements中的img标签中返回所有href属性”这样的查询很容易。不是一个PHP的BUFF，我不能告诉你什么forms的XPath可用。如果您可以调用外部程序来处理HTML文件，您应该可以使用命令行版本的XPath。有关快速介绍，请参阅http://en.wikipedia.org/wiki/XPath 。

SimpleHtmlDom的第三方替代品，使用DOM而不是string分析： phpQuery ， Zend_Dom ， QueryPath和FluentDom 。

是的，你可以使用simple_html_dom来达到目的。然而，我对simple_html_dom工作了很多，特别是对于networking报废，并且发现它太脆弱了。它做的基本工作，但我不会推荐它。

我从来没有用curl的目的，但我所学到的是，curl可以更有效地完成这项工作，更坚实。

请检查这个链接： scraping-websites-curl

QueryPath是好的，但是如果你没有意识到“跟踪状态”的原因，要小心，这可能意味着你浪费了大量的debugging时间来试图找出发生了什么，代码不工作的原因。

这意味着结果集上的每个调用都会修改对象中的结果集，它不像jquery中那样可链接，其中每个链接都是一个新集，您有一个单独的集合，它是查询的结果，每个函数调用都会修改那一套。

为了得到类似jquery的行为，你需要在进行过滤/修改之前进行分支操作，这意味着它会更仔细地反映jquery中发生的事情。

 $results = qp("div p"); $forename = $results->find("input[name='forename']");

$results现在包含input[name='forename']的结果集input[name='forename']不是原来的查询"div p"这使我绊倒了很多，我发现是QueryPath跟踪filter和发现和一切修改你的结果和存储他们在对象。你需要这样做

 $forename = $results->branch()->find("input[name='forname']")

那么$results将不会被修改，您可以一次又一次地重复使用结果集，也许有更多知识的人可以稍微澄清一点，但基本上就是我所发现的。

我写了一个可以轻松处理GB文件的通用XMLparsing器。它基于XMLReader，使用起来非常简单：

 $source = new XmlExtractor("path/to/tag", "/path/to/file.xml"); foreach ($source as $tag) { echo $tag->field1; echo $tag->field2->subfield1; }

这里是github回购： XmlExtractor

对于HTML5 ，html5 lib已经放弃了很多年了。最近更新和维护logging中唯一可以find的HTML5库是html5-php ，它在一周前刚刚被引入beta 1.0。

您可以尝试使用HTML Tidy之类的东西来清理任何“破损”的HTML，然后将HTML转换为XHTML，然后使用XMLparsing器进行parsing。

我创build了一个名为PHPPowertools / DOM-Query的库，它可以像使用jQuery一样抓取HTML5和XML文档。

在引擎盖下，它使用symfony / DomCrawler将CSSselect器转换为XPathselect器。它始终使用相同的DomDocument，即使传递一个对象到另一个对象，以确保体面的performance。

使用示例：

 namespace PowerTools; // Get file content $htmlcode = file_get_contents('https://github.com'); // Define your DOMCrawler based on file string $H = new DOM_Query($htmlcode); // Define your DOMCrawler based on an existing DOM_Query instance $H = new DOM_Query($H->select('body')); // Passing a string (CSS selector) $s = $H->select('div.foo'); // Passing an element object (DOM Element) $s = $H->select($documentBody); // Passing a DOM Query object $s = $H->select( $H->select('p + p')); // Select the body tag $body = $H->select('body'); // Combine different classes as one selector to get all site blocks $siteblocks = $body->select('.site-header, .masthead, .site-body, .site-footer'); // Nest your methods just like you would with jQuery $siteblocks->select('button')->add('span')->addClass('icon icon-printer'); // Use a lambda function to set the text of all site blocks $siteblocks->text(function( $i, $val) { return $i . " - " . $val->attr('class'); }); // Append the following HTML to all site blocks $siteblocks->append('<div class="site-center"></div>'); // Use a descendant selector to select the site's footer $sitefooter = $body->select('.site-footer > .site-center'); // Set some attributes for the site's footer $sitefooter->attr(array('id' => 'aweeesome', 'data-val' => 'see')); // Use a lambda function to set the attributes of all site blocks $siteblocks->attr('data-val', function( $i, $val) { return $i . " - " . $val->attr('class') . " - photo by Kelly Clark"; }); // Select the parent of the site's footer $sitefooterparent = $sitefooter->parent(); // Remove the class of all i-tags within the site's footer's parent $sitefooterparent->select('i')->removeAttr('class'); // Wrap the site's footer within two nex selectors $sitefooter->wrap('<section><div class="footer-wrapper"></div></section>'); [...]

支持的方法：

[x] $ （1）
[x] $ .parseHTML
[x] $ .parseXML
[x] $ .parseJSON
[x] $ selection.add
[x] $ selection.addClass
[x] $ selection.after
[x] $ selection.append
[x] $ selection.attr
[x] $ selection.before
[x] $ selection.children
[x] $ selection.closest
[x] $ selection.contents
[x] $ selection.detach
[x] $ selection.each
[x] $ selection.eq
[x] $ selection.empty （2）
[x] $ selection.find
[x] $ selection.first
[x] $ selection.get
[x] $ selection.insertAfter
[x] $ selection.insertBefore
[x] $ selection.last
[x] $ selection.parent
[x] $ selection.parents
[x] $ selection.remove
[x] $ selection.removeAttr
[x] $ selection.removeClass
[x] $ selection.text
[x] $ selection.wrap

将其重命名为“select”，原因很明显
重命名“void”，因为“empty”是PHP中的保留字

注意：

该库还包含用于PSR-0兼容库的零configuration自动加载器。 所包含的示例应该在没有任何其他configuration的情况下开箱即用。 另外，你可以使用它与composer php。

另一个可以尝试的select是QueryPath 。它的灵感来自jQuery，但在PHP的服务器上，并在Drupal中使用。

处理其中大部分已经提到的HTML / XML DOM有很多方法。因此，我不会试图自己列出。

我只想补充一点，我个人更喜欢使用DOM扩展，为什么：

iit最佳地利用底层C代码的性能优势
这是OO的PHP（并允许我inheritance它）
这是相当低的水平（这使我可以使用它作为一个非臃肿的基础，更先进的行为）
它提供对DOM每个部分的访问（与例如SimpleXml不同，它忽略了一些较less的已知XML特性）
它具有用于DOM爬行的语法，类似于原生Javascript中使用的语法。

虽然我错过了为DOMDocument使用CSSselect器的能力，但是有一个相当简单和方便的方法来添加这个特性：子类化DOMDocument并添加JS类的querySelectorAll和querySelector方法到你的子类。

为了parsingselect器，我build议使用Symfony框架中非常简约的CssSelector组件。该组件只是将CSSselect器转换为XPathselect器，然后可以将它们馈送到DOMXpath以检索相应的DOMXpath列表。

然后，您可以使用这个（仍然非常低的水平）子类作为更高层次的基础，用于例如。 parsing特定types的XML或添加更多类似jQuery的行为。

下面的代码直接出来我的DOM查询库，并使用我所描述的技术。

对于HTMLparsing：

 namespace PowerTools; use \Symfony\Component\CssSelector\CssSelector as CssSelector; class DOM_Document extends \DOMDocument { public function __construct($data = false, $doctype = 'html', $encoding = 'UTF-8', $version = '1.0') { parent::__construct($version, $encoding); if ($doctype && $doctype === 'html') { @$this->loadHTML($data); } else { @$this->loadXML($data); } } public function querySelectorAll($selector, $contextnode = null) { if (isset($this->doctype->name) && $this->doctype->name == 'html') { CssSelector::enableHtmlExtension(); } else { CssSelector::disableHtmlExtension(); } $xpath = new \DOMXpath($this); return $xpath->query(CssSelector::toXPath($selector, 'descendant::'), $contextnode); } [...] public function loadHTMLFile($filename, $options = 0) { $this->loadHTML(file_get_contents($filename), $options); } public function loadHTML($source, $options = 0) { if ($source && $source != '') { $data = trim($source); $html5 = new HTML5(array('targetDocument' => $this, 'disableHtmlNsInDom' => true)); $data_start = mb_substr($data, 0, 10); if (strpos($data_start, '<!DOCTYPE ') === 0 || strpos($data_start, '<html>') === 0) { $html5->loadHTML($data); } else { @$this->loadHTML('<!DOCTYPE html><html><head><meta charset="' . $encoding . '" /></head><body></body></html>'); $t = $html5->loadHTMLFragment($data); $docbody = $this->getElementsByTagName('body')->item(0); while ($t->hasChildNodes()) { $docbody->appendChild($t->firstChild); } } } } [...] }

另请参阅由Symfony的创build者Fabien Potencier 用CSSselect器parsingXML文档，他决定为Symfony创buildCssSelector组件，以及如何使用它。

XML_HTMLSax相当稳定 – 即使不再维护。另一个select是通过Html Tidy来pipe理HTML ，然后用标准的XML工具parsing它。

Symfony框架包含可以parsingHTML的bundle，您可以使用CSS样式来selectDOM，而不是使用XPath 。

高级Html Dom是一个简单的HTML DOMreplace，提供了相同的接口，但它是基于DOM的，这意味着没有任何关联的内存问题发生。

它也有完整的CSS支持，包括jQuery扩展。

使用FluidXML，您可以使用XPath和CSSselect器来查询和迭代XML。

 $doc = fluidxml('<html>...</html>'); $title = $doc->query('//head/title')[0]->nodeValue; $doc->query('//body/p', 'div.active', '#bgId') ->each(function($i, $node) { // $node is a DOMNode. $tag = $node->nodeName; $text = $node->nodeValue; $class = $node->getAttribute('class'); });

https://github.com/servo-php/fluidxml

有几个原因不能通过正则expression式parsingHTML。但是，如果您完全控制将生成的HTML，那么您可以使用简单的正则expression式来完成。

上面是一个通过正则expression式parsingHTML的函数。请注意，这个函数非常敏感，并且要求HTML服从一定的规则，但是在很多情况下它运行得非常好。如果你想要一个简单的parsing器，并且不想安装库，请给这个镜头：

 function array_combine_($keys, $values) { $result = array(); foreach ($keys as $i => $k) { $result[$k][] = $values[$i]; } array_walk($result, create_function('&$v', '$v = (count($v) == 1)? array_pop($v): $v;')); return $result; } function extract_data($str) { return (is_array($str)) ? array_map('extract_data', $str) : ((!preg_match_all('#<([A-Za-z0-9_]*)[^>]*>(.*?)</\1>#s', $str, $matches)) ? $str : array_map(('extract_data'), array_combine_($matches[1], $matches[2]))); } print_r(extract_data(file_get_contents("http://www.google.com/")));

来自XML的JSON和数组分为三行：

 $xml = simplexml_load_string($xml_string); $json = json_encode($xml); $array = json_decode($json,TRUE);

达达！