使用 php 从另一个网站清理 html 代码

Question

我想从this 网站获取一些数据，但正如您在他们的 html 代码中看到的那样，在没有使用“”和其他一些东西的情况下，<TABLE BORDER=0 CELLSPACING=1 CELLPADDING=3 WIDTH=100%> 发生了一些奇怪的事情，所以当我遇到错误时我尝试使用 SimpleXmlElement 解析表格，我已经使用了一段时间并且在某些网站上完美运行， 我正在做类似的事情：

$html = file_get_html('https://secure.tibia.com/community/?subtopic=killstatistics&world=Menera');
$table = $html->find('table', 4);

$xml = new SimpleXmlElement($table);

我得到了一堆错误和东西，那么有没有办法在发送到 SimpleXmlElement 或使用另一种 DOM 类之前清理代码？ 大家有什么推荐的？

Answer 1

您的 HTML 代码的问题是标签属性没有用引号括起来：HTML 中允许不带引号的属性，但 XML 中不允许。

如果你不关心属性，你可以继续使用 Simple HTML Dom，否则你必须改变 HTML 解析器。

使用简单 HTML DOM 清理属性：

开始创建清除所有节点属性的函数：

function clearAttributes( $node )
{
    foreach( $node->getAllAttributes() as $key => $val )
    {
        $node->$key = Null;
    }
}

然后将该函数应用于您的<table>、<tr> 和<td> 节点：

clearAttributes( $table );

foreach( $table->find('tr') as $tr )
{
    clearAttributes( $tr );

    foreach( $tr->find( 'td' ) as $td )
    {
        clearAttributes( $td );
    }

}

最后但同样重要的是：站点 HTML 包含大量编码字符。如果您不想在 XML 中看到很多 <td>1 </td><td>0 </td>，则必须在字符串中添加 utf-8 声明，然后再将其导入 SimpleXml 对象：

$xml = '<?xml version="1.0" encoding="utf-8" ?>'.html_entity_decode( $table );
$xml = new SimpleXmlElement( $xml );

phpFiddle demo

使用 DOMDocument 保留属性：

内置的DOMDocument 类比Simple HTML Dom 更强大，内存占用更少。在这种情况下，它将为您正确格式化原始 HTML。尽管看起来很简单，但它的使用很简单。

首先，您必须初始化一个DOMDocument 对象，设置libxml_use_internal_errors（以抑制格式错误的HTML 上的大量警告）并加载您的网址：

$dom = new DOMDocument();
libxml_use_internal_errors( 1 );
$dom->loadHTMLfile( 'https://secure.tibia.com/community/?subtopic=killstatistics&world=Menera' );
$dom->formatOutput = True;

然后，您检索所需的<table>：

$table = $dom->getElementsByTagName( 'table' )->item(4);

并且，就像在Simple HTML Dom 示例中一样，您必须在前面加上utf-8 声明以避免奇怪 字符：

$xml = '<?xml version="1.0" encoding="utf-8" ?>'.$dom->saveHTML( $table );
$xml = new SimpleXmlElement( $xml );

phpFiddle demo

如您所见，将节点作为 HTML 检索的 DOMDocument 语法与 Simple HTML Dom 不同：您需要始终引用主对象并指定要打印的节点作为参数：

echo $dom->saveHTML();          // print entire HTML document
echo $dom->saveHTML( $node );   // print node $node

编辑：删除  使用 DOMDocument：

要从 HTML 中删除不需要的  ，您可以预加载 HTML 并使用 str_replace。

改变这一行：

$dom->loadHTMLfile( 'https://secure.tibia.com/community/?subtopic=killstatistics&world=Menera' );

用这个：

$data = file_get_contents( 'https://secure.tibia.com/community/?subtopic=killstatistics&world=Menera' );
$data = str_replace( ' ', '', $data );
$dom->loadHTML( $data );