Question

在我的代码中，我使用openoffice将一些样式化的xls文档转换为html。然后我使用xml_parser_create解析表。问题是openoffice使用未公开的<BR>和<HR>标记创建oldschool html，它不会创建doctypes并且不引用属性<TABLE WIDTH=4>。

我知道的PHP解析器不喜欢这个，并产生xml格式错误。我目前的解决方案是在解析之前对文件运行一些正则表达式，但这既不好也不快。

你知道一个（希望包含的）php-parser，它不关心这些错误吗？或者也许是一种快速修复'破坏'html的方法？

Answer 1

“修复”损坏的HTML的解决方案可能是使用HTMLPurifier （引用）：

HTML Purifier符合标准   用PHP编写的HTML过滤器库。
HTML Purifier不仅会删除   所有恶意代码（更好地称为   XSS）经过全面审核，   它安全但宽容的白名单   还将确保您的文档符合标准

另一种想法可能是尝试使用DOMDocument::loadHTML （引用）加载HTML：

该函数解析包含的HTML 在字符串源中。与装载不同 XML， HTML不一定是格式良好加载。

如果您尝试从文件加载HTML，请参阅DOMDocument::loadHTMLFile。

Answer 2

有SimpleHTML

要修复损坏的HTML，您可以使用Tidy。

作为替代方案，您可以使用原生XML Reader。因为它在文档流中作为游标前进并在途中停止在每个节点上，所以它不会在无效的XML文档上中断。

请参阅http://www.ibm.com/developerworks/library/x-pullparsingphp.html

Answer 3

您还在使用PHP 4 XML API的任何特殊原因吗？

如果您可以使用PHP 5的XML API，那么有两种可能性。

首先，尝试内置的HTML解析器。它真的不是很好（它往往会扼杀格式不佳的HTML），但它可能会成功。看看DomDocument :: LoadHTML。

第二个选项 - 您可以尝试基于HTML5解析器规范的HTML解析器：

http://code.google.com/p/html5lib/

这比内置的PHP HTML解析器更有效。它将HTML加载到DomDocument对象中。

Answer 4

解决方案是使用DOMDocument。

示例：

$str = "
<html>
 <head>
  <title>test</title>
 </head>
 <body>
  </div>error.
  <p>another error</i>
 </body>
</html>
";

$doc = new DOMDocument();
@$doc->loadHTML($str);
echo $doc->saveHTML();

优点：本身包含在PHP中，与PHP Tidy相反。

在PHP中解析格式错误的HTML

4 个答案: