将 HTML 解析为 XML答案

【问题标题】：Parsing HTML to XML将 HTML 解析为 XML
【发布时间】：2018-06-14 16:29:12
【问题描述】：

我正在使用在其核心中使用 XML 的文本/HTML 差异引擎，但我们正在输入 HTML5 数据，我想知道如何处理不需要在 HTML5 中关闭但必须关闭的标签在 XML 中。例如：

<img alt="" height="239" src="http://example.com/image.png" width="272">

我是否需要手动转换每个标签（就像this example）？

有没有工具可以为我做到这一点？并省去逃避所有自闭合 HTML 标记的麻烦？

例如，xml_parse() 运行以下代码，就像它有错误一样，但 body 有一个有效的 HTML，它是无效的 XML：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE html [<!ENTITY Aacute "&#193;">]>
<body>
    <div>
        <figure class="table ">
            <figcaption>
                <p class="table_number"></p>
                <p class="table_title" epub:type="title"></p>
            </figcaption>
            <table class="code ">
                <tr>
                    <td width="50">
                        <img alt="" height="239" src="http://example.com/image.png" width="272">
                    </td>
                </tr>
            </table>
        </figure>
    </div>
</body>

【问题讨论】：

它们应该在 HTML 中关闭，仅仅因为“现代”浏览器足够聪明，可以关闭它们并不意味着不关闭它们很酷。这是我的意见。
@ArtisticPhoenix，感谢您的评论，但在我的情况下这是不可能的。我们的数据已经在数据库中，无法更新。有很多遗留的 html 垃圾。
@ArtisticPhoenix — 它们不应该有 / 字符。仅仅因为规范要求现代浏览器忽略它们，并不意味着浪费字节存储和发送它们很酷。
问题中的代码不是有效的 HTML。
确实，您在其中显示的代码是 XML 和 HTML5 的奇怪混合。如果是 HTML，则没有 <?xml... 行，而 doctype 行将 exactly <!DOCTYPE html>。 OTOH 如果它是 XML，它将有一个正确关闭的 <img /> 标记。你所拥有的是一种奇怪的混合物，没有标准工具可能解析。

标签： php html xml validation parsing

【解决方案1】：

解析 HTML（包括 HTML5）并将其格式化为 XML 的正确方法是使用 SGML，即 HTML 和 XML 的超集。您可以使用专门为此目的设计的osx 程序（OpenSP/OpenJade 包的一部分）。在 Ubuntu/Debian 上通过 sudo apt-get install opensp 安装它。

在 SGML 中，您使用包含标记声明的 DTD 文件来告诉 SGML 可以省略哪些开始和结束元素标记等。为此，您可以在http://sgmljs.net/docs/w3c-html51-dtd.html 使用我的HTML 5.1 DTD（只需将该页面上的DTD 代码文本复制到一个名为html51.dtd 的文件中）。然后，要解析的 HTML 文件需要引用 .dtd 文件，因此其第一行应如下所示

<!DOCTYPE html SYSTEM "html51.dtd">

假设html51.dtd 与要解析的文件位于同一目录中。如果您想知道，SGML 是许多 HTML 文档开头的 DOCTYPE 声明的来源，尽管浏览器滥用它来检测 HTML 版本和其他内容。无论如何，您的 HTML 不得包含两个或多个 DOCTYPE 声明。因此，如果它已经包含诸如

之类的行

<!DOCTYPE html>

你用我上面写的那一行替换那行。

现在你只需调用

osx your-file.html > your-file.xml

（其中your-file.html 是您要解析的文件，并且您已经编辑以使用正确的 DOCTYPE 声明开始）并且您有正确的 XML 文件 your-file.xml，否则会看到详细的错误消息。

如果您想了解有关我的 HTML DTD 的更多信息，我在一年前的 XML 布拉格会议上发表了一篇关于它的演讲。幻灯片和全文链接自http://sgmljs.net/blog.html。

【讨论】：

【解决方案2】：

一般来说，您可以使用 PHP 内置的 DOM 处理例程来解析 HTML 并输出 XML：

$html = <<< HEREDOC
<!DOCTYPE html>
<body>
    <div>
        <figure class="table ">
            <figcaption>
                <p class="table_number"></p>
                <p class="table_title" epub:type="title"></p>
            </figcaption>
            <table class="code ">
                <tr>
                    <td width="50">
                        <img alt="" height="239" src="http://example.com/image.png" width="272">
                    </td>
                </tr>
            </table>
        </figure>
    </div>
</body>
HEREDOC;

$dom = new DOMDocument;
$dom->loadHTML($html);
echo $dom->saveXml($dom), PHP_EOL;

不幸的是，您使用 XML 序言并尝试将 HTML 5 Doctype 扩展为 XML/SGML Doctype 会阻止 DOM 库成功解析它。

【讨论】：

与DOMDocument::saveHTML() 剥离自闭合标签相比，DOMDocument::saveXML() 在缺失时放置自闭合标签？
@HelpNeeder — saveHTML 在没有“自闭合标签”之类的情况下保存为 HTML。只是开始和/或结束标签是可选和/或禁止的元素。 saveXML 保存为 XML，其中所有标签都必须是显式的，并且开始和结束标签可以组合成一个自闭合标签。

【解决方案3】：

我会用这样的东西更新旧标签，

$field = preg_replace('/\<img([^>]+)(?<!\/)>/', '<img\1/>', $field);

你可以看到here

使用否定的lookbehind，我们可以匹配所有未封闭的img标签，捕捉每个标签中的“胆量”，然后用封闭标签替换它。

\<img 文字匹配
([^>]+) 捕获不是> 的任何内容
(?<!\/)> 否定后视，如果前面没有 /，则匹配结尾 >，即。匹配 > 不匹配 />

所以给定一个这样的标签

它将捕获\1，（{}显示已捕获间距）

 { alt="" height="239" src="http://example.com/image.png" width="272"}

然后我们只需将<img 和> 替换为/> 并将“胆量”放回\1

我们的标签现在关闭了

<img alt="" height="239" src="http://example.com/image.png" width="272"/>

这可以用另一个捕获组和这样的标签列表进行扩展：

$field = preg_replace('/\<(img|br)([^>]*)(?<!\/)>/', '<\1\2/>', $field);

现在它将匹配 <br> 并将其替换为 <br/> 以及 img 标记。一直忽略这样的封闭标签：

<img alt="" height="239" src="http://example.com/image2.png" width="272"/>

看到这个here

所以，这并非不可能。

我觉得有必要提一下，在进行此类范围的任何更改之前，您应该始终导出表的备份。这样你就可以确定如果有问题你有一个安全网。

【讨论】：