用于 HTML 的 PHP SAX 解析器？答案

【问题标题】：PHP SAX parser for HTML?用于 HTML 的 PHP SAX 解析器？
【发布时间】：2011-02-25 17:23:03
【问题描述】：

我需要用于 PHP 的 HTML SAX（不是 DOM！）解析器，它能够处理甚至无效的 HTML 代码。我需要它的原因是过滤用户输入的 HTML（删除所有属性和标签允许的除外）并将 HTML 内容截断为指定长度。

有什么想法吗？

【问题讨论】：

【解决方案1】：

总结为两步：

首先使用Tidy (!)，将“免费 HTML”转换为 XHTML（或者当您无法信任“假定的 XHTML”时）。请参阅cleanRepair 方法。它需要更多时间，但运行大文件（！）...Set some minutes as maximum execution time 如果太大。

另一个选项（用于处理大文件）是在检查或转换成 XHTML 后缓存您的 XHTML 文件。请参阅 Tidy 的 repairfile 方法。

使用“受信任的 XHTML”，使用 SAX...如何将 SAX 与 PHP 一起使用？

用SAX standard API解析XML，在PHP中由LibXML实现（参见LibXML2xmlsoft.org），它的接口是PHP's XML Parser，它靠近SAX 标准 API。

使用“LibXML2 的 SAX”的另一种方法是使用 XMLReader，并使用另一个接口（@987654329@ 而不是传统的 SAX 接口）。见this explanation about "XMLReader use SAX"。

是的，术语“SAX”或“SAX API”未在 PHP 手册中表达 (!!)。见this old but good introduction。

【讨论】：

【解决方案2】：

【讨论】：

【解决方案3】：

尝试使用HTML SAX Parser

【讨论】：

【解决方案4】：

SAX 处理有效的 XML 并在无效标记上失败。处理无效的 HTML 标记需要保持比 SAX 解析器通常保持的更多状态。

我不知道有任何类似 SAX 的 HTML 解析器。最好的办法是先通过 tidy 传递 HTML，然后使用 XML 解析器，但这可能会破坏您最初使用 SAX 解析器的目的。

【讨论】：

即使是整齐的 HTML 片段也无效。它们是这样的：some comment with <b>bold text</b>, <i>italic text</i>. 对于任何 XML 解析器来说，它都是无效的文档。没有根，但我不想用一些根元素来包装内容。
@Daniel 为什么首先需要一个事件处理程序。如果 HTML sn-ps 很短，我认为没有令人信服的理由。
@Daniel 抱歉，我指的是事件驱动的 API，例如 SAX。
哦，我已经用 SAX 解析器实现了，它非常高效和简单，但它的问题是 SAX 解析器本身。它使用正则表达式来解析 HTML :(
@Daniel 使用正则表达式解析 HTML => 麻烦