如何解析HTML/XML并从中提取信息？
当前回答
有很多方法：
一般来说：
本机XML扩展：它们与PHP捆绑在一起，通常比所有第三方库都快，并为我提供了对标记所需的所有控制。DOM:DOM能够解析和修改真实世界（损坏的）HTML，并且可以执行XPath查询。它基于libxml。XMLReader：XMLReader与DOM一样，基于libxml。XMLReader扩展是一个XML拉式解析器。读取器充当文档流上前进的光标，并在途中的每个节点处停止XML解析器：此扩展允许您创建XML解析器，然后为不同的XML事件定义处理程序。每个XML解析器也有一些可以调整的参数。它实现了SAX风格的XML推送解析器。简单XML：SimpleXML扩展提供了一个非常简单且易于使用的工具集，用于将XML转换为可以使用普通属性选择器和数组迭代器处理的对象。
第三方库[libxml-based]：
FluentDom-Repo:FluentDom为PHP中的DOMDocument提供了一个类似jQuery的fluent XML接口。它可以加载JSON、CSV、JsonML、RabbitFish等格式。可以通过Composer安装。HtmlPageDom：是一个PHP库，使用它可以方便地操纵HTML文档。它需要Symfony2组件的DomCrawler来遍历DOM树，并通过添加操纵HTML文档的DOM树的方法来扩展它。ZendDOM:Zend_Dom提供了处理Dom文档和结构的工具。目前，他们提供了Zend_Dom_Query，它为使用XPath和CSS选择器查询Dom文档提供了统一的接口。QueryPath：QueryPath是一个用于处理XML和HTML的PHP库。它不仅设计用于本地文件，还设计用于web服务和数据库资源。它实现了大部分jQuery接口（包括CSS样式选择器），但它针对服务器端使用进行了大量调整。可以通过Composer安装。fDOM文档：fDOMDocument扩展了标准DOM，以在所有错误情况下使用异常，而不是PHP警告或通知。为了方便和简化DOM的使用，他们还添加了各种自定义方法和快捷方式。Sabre/XML:ssabre/XML是一个库，它包装并扩展XMLReader和XMLWriter类，以创建一个简单的“XML到对象/数组”映射系统和设计模式。编写和读取XML是一次性的，因此速度很快，对大型XML文件的内存要求很低。FluidXML:FluidXML是一个PHP库，用于使用简洁流畅的API处理XML。它利用XPath和流畅的编程模式，使其变得有趣和有效。
第三方库[不基于libxml]：
PHP简单HTML DOM解析器：一个用PHP5+编写的HTML DOM解析器允许您以非常简单的方式操作HTML，它需要PHP 5+。还支持无效的HTML。它在单行中从HTML中提取内容。代码库很糟糕，而且工作速度很慢。PHPHtmlParser:HPHtmlParser是一个简单、灵活的Html解析器，允许您使用任何CSS选择器（如jQuery）选择标记。目标是帮助开发需要快速、简单的方式来抓取HTML的工具，无论它是否有效。它速度慢，占用了太多CPU电源。Ganon（推荐）：通用标记器和HTML/XML/RSS DOM解析器。它具有操纵元素及其属性的能力。它支持无效的HTML和UTF8。它可以对元素执行类似CSS3的高级查询（如jQuery——支持名称空间）。HTML美化器（如HTML Tidy）。精简CSS和Javascript。它对属性进行排序、更改字符大小写、正确缩进等。可扩展。操作分为较小的功能，便于覆盖和快速且易于使用。
Web服务：
如果您不想编写PHP，也可以使用Web服务。ScraperWiki的外部界面允许您以您希望在web或自己的应用程序中使用的形式提取数据。您还可以提取有关任何刮刀状态的信息。
我已经分享了所有的资源，你可以根据自己的口味、用途等进行选择。
其他回答
XML_HTMLMax相当稳定——即使不再维护它。另一种选择是通过HtmlTidy将HTML导入，然后用标准的XML工具解析它。
对于1a和2：我将投票支持新的Symfony Componet类DOMCrawler（DOMCrawler）。此类允许类似于CSS选择器的查询。看看这个演示文稿，看看真实世界的例子：news-of-the-symfony2-world。
该组件设计为独立工作，可以在没有Symfony的情况下使用。
唯一的缺点是它只适用于PHP5.3或更高版本。
简单HTML DOM是一个很棒的开源解析器：
simplehtmldom.sourceforge
它以面向对象的方式处理DOM元素，新的迭代包含了大量不兼容代码。还有一些很棒的函数，如JavaScript中的“find”函数，它将返回该标记名元素的所有实例。
我已经在许多工具中使用了这个，在许多不同类型的网页上测试了它，我认为它非常有用。
注意，这个答案推荐了那些已经废弃了10多年的图书馆。
phpQuery和QueryPath在复制流畅的jQuery API方面非常相似。这也是为什么它们是在PHP中正确解析HTML的两种最简单的方法。
QueryPath示例
基本上，您首先从HTML字符串创建一个可查询的DOM树：
$qp = qp("<html><body><h1>title</h1>..."); // or give filename or URL
结果对象包含HTML文档的完整树表示。可以使用DOM方法遍历它。但常见的方法是使用jQuery中的CSS选择器：
$qp->find("div.classname")->children()->...;
foreach ($qp->find("p img") as $img) {
print qp($img)->attr("src");
}
大多数情况下，您希望为->find（）使用简单的#id和.class或DIV标记选择器。但您也可以使用XPath语句，这有时会更快。另外，典型的jQuery方法，如->children（）和->text（），特别是->attr（），简化了提取正确的HTML片段。（并且已经解码了它们的SGML实体。）
$qp->xpath("//div/p[1]"); // get first paragraph in a div
QueryPath还允许将新标记注入流（->追加），然后输出并美化更新的文档（->写入HTML）。它不仅可以解析格式错误的HTML，还可以解析各种XML方言（带有名称空间），甚至可以从HTML微格式（XFN、vCard）中提取数据。
$qp->find("a[target=_blank]")->toggleClass("usability-blunder");
.
phpQuery还是QueryPath？
一般来说，QueryPath更适合处理文档。而phpQuery还实现了一些伪AJAX方法（仅HTTP请求），以更接近于jQuery。据称，phpQuery通常比QueryPath更快（因为总体特性较少）。
有关差异的更多信息，请参阅tagbyte.org上的wayback机器上的比较
优势
简单可靠易于使用的替代方案->查找（“a img，a object，div a”）正确的数据取消捕获（与正则表达式grepping相比）
我在这里没有提到的一种通用方法是通过Tidy运行HTML，它可以设置为输出保证有效的XHTML。然后可以在上面使用任何旧的XML库。
但对于您的具体问题，您应该看看这个项目：http://fivefilters.org/content-only/--这是Readability算法的一个修改版本，它旨在从页面中提取文本内容（而不是页眉和页脚）。
推荐文章
- 样式化HTML电子邮件的最佳实践
- CSS/HTML:什么是使文本斜体的正确方法?
- 我如何才能在表中应用边界?
- 如何使一个DIV不包装?
- CSS div元素-如何显示水平滚动条只?
- 阻止人们入侵基于php的Flash游戏高分表的最佳方法是什么
- 将Dropzone.js与其他字段集成到现有的HTML表单中
- 使用“!”的含义是什么?重要的”?
- PHP子字符串提取。获取第一个'/'之前的字符串或整个字符串
- 格式化XML字符串以打印友好的XML字符串
- __construct函数的作用是什么?
- PHP中的异步shell执行器
- Laravel 5 -如何访问在视图存储上传的图像?
- 资源解释为样式表，但以MIME类型text/html传输(似乎与web服务器无关)
- 复选框输入是否只在被选中时才发布数据?
