如何解析HTML/XML并从中提取信息？
当前回答
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。
其他回答
不使用正则表达式解析HTML有几个原因。但是，如果您完全控制将生成什么HTML，那么可以使用简单的正则表达式。
上面是一个通过正则表达式解析HTML的函数。请注意，此函数非常敏感，要求HTML遵守某些规则，但它在许多场景中都非常有效。如果您想要一个简单的解析器，并且不想安装库，请尝试一下：
function array_combine_($keys, $values) {
$result = array();
foreach ($keys as $i => $k) {
$result[$k][] = $values[$i];
}
array_walk($result, create_function('&$v', '$v = (count($v) == 1)? array_pop($v): $v;'));
return $result;
}
function extract_data($str) {
return (is_array($str))
? array_map('extract_data', $str)
: ((!preg_match_all('#<([A-Za-z0-9_]*)[^>]*>(.*?)</\1>#s', $str, $matches))
? $str
: array_map(('extract_data'), array_combine_($matches[1], $matches[2])));
}
print_r(extract_data(file_get_contents("http://www.google.com/")));
如果您熟悉jQuery选择器，可以使用ScarletsQuery for PHP
<pre><?php
include "ScarletsQuery.php";
// Load the HTML content and parse it
$html = file_get_contents('https://www.lipsum.com');
$dom = Scarlets\Library\MarkupLanguage::parseText($html);
// Select meta tag on the HTML header
$description = $dom->selector('head meta[name="description"]')[0];
// Get 'content' attribute value from meta tag
print_r($description->attr('content'));
$description = $dom->selector('#Content p');
// Get element array
print_r($description->view);
这个库通常需要不到1秒的时间来处理脱机html。它还接受无效的HTML或标记属性上缺少引号。
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）
本机XML扩展
我更喜欢使用一种原生XML扩展，因为它们与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扩展允许您使用PHP5通过DOMAPI对XML文档进行操作。它是W3C文档对象模型核心级别3的实现，这是一个平台和语言中立的界面，允许程序和脚本动态访问和更新文档的内容、结构和样式。
DOM能够解析和修改真实世界（已损坏）的HTML，并且可以执行XPath查询。它基于libxml。
使用DOM需要一些时间来提高效率，但这段时间是值得的。由于DOM是一种语言无关的接口，您可以找到多种语言的实现，因此如果您需要更改编程语言，那么您很可能已经知道如何使用该语言的DOM API。
StackOverflow上已经详细介绍了如何使用DOM扩展，因此如果您选择使用它，您可以确保通过搜索/浏览StackOverload来解决您遇到的大多数问题。
其他答案中提供了基本用法示例和一般概念概述。
解析器
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。
XMLReader与DOM一样，基于libxml。我不知道如何触发HTML解析器模块，因此使用XMLReader解析损坏的HTML可能比使用DOM更不可靠，在DOM中可以明确告诉它使用libxml的HTML解析器模块。
另一个答案中提供了一个基本用法示例。
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。
XML解析器库也基于libxml，并实现SAX风格的XML推送解析器。对于内存管理，它可能比DOM或SimpleXML更好，但比XMLReader实现的pull解析器更难使用。
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。
当您知道HTML是有效的XHTML时，SimpleXML是一个选项。如果您需要解析损坏的HTML，甚至不要考虑SimpleXml，因为它会窒息。
有一个基本的用法示例，PHP手册中还有很多其他示例。
第三方库（基于libxml）
如果您更喜欢使用第三方库，我建议使用实际上在下面使用DOM/libxml的库，而不是字符串解析。
流利通
FluentDOM为PHP中的DOMDocument提供了一个类似jQuery的fluent XML接口。选择器使用XPath或CSS（使用CSS到XPath转换器）编写。当前版本扩展了DOM实现标准接口，并添加了DOM Living standard的功能。FluentDOM可以加载JSON、CSV、JsonML、RabbitFish等格式。可以通过Composer安装。
HTML页面域
Wa72\HtmlPageDom是一个易于操作HTML的PHP库使用DOM的文档。它需要Symfony2的DomCrawler用于遍历的组件DOM树，并通过添加用于操作HTML文档的DOM树。
php查询
phpQuery是一个基于jQueryJavaScript库的服务器端、可链接的CSS3选择器驱动的文档对象模型（DOM）API。该库使用PHP5编写，并提供了额外的命令行界面（CLI）。
这被描述为“废弃软件和bug：使用风险自负”，但似乎维护得很少。
薄层dom
Laminas\Dom组件（以前称为Zend_Dom）提供了处理Dom文档和结构的工具。目前，我们提供Laminas\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。此软件包被视为功能完整，现在处于仅安全维护模式。
fDOM文件
fDOMDocument扩展了标准DOM，在所有错误情况下都使用异常，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。
sa刀/xml
sabre/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。
流体XML
FluidXML是一个PHP库，用于使用简洁流畅的API操作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（非基于libxml）
基于DOM/libxml构建的好处是，由于您基于本机扩展，因此可以立即获得良好的性能。然而，并不是所有的第三方libs都走这条路。其中一些列在下面
PHP简单HTML DOM解析器
用PHP5+编写的HTML DOM解析器可以让您以非常简单的方式操作HTML！需要PHP 5+。支持无效的HTML。使用类似jQuery的选择器在HTML页面上查找标记。从HTML中提取单行内容。
我通常不建议使用此解析器。代码库很糟糕，解析器本身也很慢，内存不足。并非所有jQuery选择器（如子选择器）都是可能的。任何基于libxml的库都应该很容易地胜过这一点。
PHP Html解析器
PHPHtmlParser是一个简单、灵活的html解析器，它允许您使用任何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！这个项目最初由sunra/php简单的html dom解析器支持，但支持似乎已经停止，所以这个项目是我对他以前工作的改编。
同样，我不建议使用此解析器。由于CPU使用率高，速度相当慢。也没有清除创建的DOM对象的内存的功能。这些问题尤其适用于嵌套循环。文档本身不准确，拼写错误，自2016年4月14日以来，没有对修复进行回复。
HTML 5
您可以使用上面的方法来解析HTML5，但由于HTML5允许的标记，可能会有一些奇怪之处。因此，对于HTML5，您可能需要考虑使用专用解析器。请注意，这些都是用PHP编写的，因此与使用较低级别语言编译的扩展相比，性能更慢，内存使用量更大。
HTML5DomDocument
HTML5DOMDocument扩展了本机DOMDocument库。它修复了一些错误并添加了一些新功能。保留html实体（DOMDocument不保留）保留空标记（DOMDocument不保留）允许插入HTML代码，将正确的部分移动到正确的位置（头部元素插入头部，身体元素插入身体）允许使用CSS选择器查询DOM（当前可用：*、标记名、标记名#id、#id、tagname.classname、.classname，tagname.cclassname2、.classname2、标记名[attribute selector]、[attributeselector]，div、p、div p、div>p、div+p和p~ul）添加对元素->classList的支持。添加对元素->innerHTML的支持。添加对元素->outerHTML的支持。
HTML5
HTML5是完全用PHP编写的符合标准的HTML5解析器和编写器。它是稳定的，在许多制作网站中使用，下载量超过500万。HTML5提供以下功能。
HTML5序列化程序支持PHP命名空间作曲家支持基于事件（类似SAX）的解析器DOM树生成器与QueryPath的互操作性在PHP 5.3.0或更高版本上运行
正则表达式
最后也是最不推荐的，您可以使用正则表达式从HTML中提取数据。通常不鼓励在HTML上使用正则表达式。
你在网上找到的大多数与标记匹配的代码片段都很脆弱。在大多数情况下，它们只适用于一段非常特殊的HTML。微小的标记更改，如在某处添加空白，或在标记中添加或更改属性，可能会导致RegEx在未正确编写时失败。在HTML上使用RegEx之前，您应该知道自己在做什么。
HTML解析器已经知道HTML的语法规则。必须为您编写的每个新RegEx教授正则表达式。RegEx在某些情况下是可以的，但它确实取决于您的用例。
您可以编写更可靠的解析器，但使用正则表达式编写完整可靠的自定义解析器是浪费时间的，因为前面提到的库已经存在，并且在这方面做得更好。
另请参见解析Html Cthulhu方法
书
如果你想花钱，看看
PHP架构师使用PHP进行Web抓取的指南
我不属于PHP架构师或作者。
您可以尝试的另一个选项是QueryPath。它的灵感来自jQuery，但在服务器上使用PHP，并在Drupal中使用。
推荐文章
- 如何删除和清除所有的本地存储数据
- Json_encode()转义正斜杠
- 如何在PHP中捕获cURL错误
- 强制打开“另存为…”弹出打开文本链接点击PDF在HTML
- 如何修改标签文本?
- 如何在XSLT中实现if-else语句?
- 如何要求一个分叉与作曲家?
- 在HTML中还有其他有用的空格码吗，比如半空格的 , em-spaces, en-spaces等等?
- 输入触发器按钮单击
- 如何在php中创建可选参数?
- Angular 2模板中的标签是什么意思?
- 在文本文件中创建或写入/追加
- 如何设置身体高度溢出滚动
- 为什么PHP的json_encode函数转换UTF-8字符串为十六进制实体?
- 在输入type="number"时禁用webkit的旋转按钮?
