Question

我需要解析HTML文档的内容（由Microsoft Word生成）。遍历DOM以获取我需要的信息/内容，然后输出所需的CSV。我知道几乎没有脑部手术。

现在因为PHP不是我的事，我的时间安排很紧，我将使用http://simplehtmldom.sourceforge.net/

中的 PHP Simple HTML DOM Parser

我注意到我的脚本无效。经过反复试验，我意识到这是由于Word生成的HTML文件的文件大小（它们是3MB，并且有多达30,000行HTML！）。我假设对于可以使用 PHP Simple HTML DOM Parser 以及本机PHP DOMDocument API解析的内容存在文件大小限制？如果是这种情况有人知道这个限制是什么？我现在谷歌搜索40分钟没有成功。

也许我应该只使用Node.js？

Answer 1

PHP“Native”DOMDocument^Docs及其小妹妹SimpleXMLElement^Docs没有硬化的大小限制，但它们受到允许PHP使用的内存的限制（请参阅PHP memory limit^Docs）。

此外，您不能假设加载100 MB XML或HTML文件会消耗相同大小的内存。它通常比文件大小更少的内存（例如，五分之一或十分之一或甚至，取决于XML，所以你不能只在这里说因子X而是你需要衡量自己的内容，如果你想获得精确的信息）。

你在问题中提供的文件大小 - 3 MB - 我说的相当小。对于互联网上的HTML文件而言可能不小，但基于libxml的PHP扩展可能很小。使用memory_get_usage()^Docs加载该文件时，可以了解PHP中的内存使用情况。

如果你有非常大的XML文件 - 那么通常是X（HT）ML - 比方说1.5 千兆字节 - 使用DOMDocument进行解析会花费很多时间。然后使用XMLReader^Docs将允许您解析文档而不将其加载到内存中（完全）。但它不是银弹，因为你仍然有解析时间，但你可以更好地控制要解析的内容和要跳过的部分，这样你就有更多的空间来控制PHP用户空间的优化。

PHP库PHP Simple HTML DOM Parser^Docs也没有强加特定的大小限制。但它不是PHP的二进制扩展，而是PHP用户空间。因此，您需要更好地了解该库的确切功能（请参阅simple_html_dom.php in HEAD revision）。如果你查看代码，你会发现它是一个纯粹用PHP编写的解析器。这是因为它是为PHP 4编写的，其中DOMDocument DOMDocument::loadHTML尚未存在。

可以想象，PHP扩展可以比用PHP代码编写的PHP库更好地管理内存。特别是当涉及HTML Document对象模型的树结构时（这句话本身并不属实，但是开发这种优化的内存需要大量的工作和良好的设计，并不总是易于创建和维护）。

但是：多年以后不再需要使用该库。许多PHP用户不知道这一点，并且他们使用曾经流行的库找到过时的代码示例。库Stack PHP Simple HTML DOM Parser 甚至还会在Stackoverflow上不时得到建议。

所以我能给出的最佳建议是：除非你不需要编写PHP 4兼容代码，否则根本不要使用该库，也不要关心它的限制。而是将代码移植到DOMDocument::loadHTML()^Docs。

Answer 2

PHP Simple HTML DOM Parser的限制为600KB。

define('MAX_FILE_SIZE', 600000);

当然，您可以编辑库的副本并更改此常量。

PHP Native DOMDocument和Simple DOM Parser - 是否有大小限制？

2 个答案: