如何解析HTML/XML并从中提取信息？
当前回答
我已经编写了一个通用XML解析器，可以轻松处理GB文件。它基于XMLReader，非常容易使用：
$source = new XmlExtractor("path/to/tag", "/path/to/file.xml");
foreach ($source as $tag) {
echo $tag->field1;
echo $tag->field2->subfield1;
}
下面是github repo:XmlExtractor
其他回答
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。
我们以前已经为我们的需求创建了不少爬虫。最后，通常是简单的正则表达式做得最好。虽然上面列出的库对于创建它们的原因来说是很好的，但如果您知道自己在寻找什么，正则表达式是一种更安全的方法，因为您还可以处理无效的HTML/XTML结构，如果通过大多数解析器加载，则会失败。
JSON和来自XML的数组分为三行：
$xml = simplexml_load_string($xml_string);
$json = json_encode($xml);
$array = json_decode($json,TRUE);
大大！
使用FluidXML，您可以使用XPath和CSS选择器查询和迭代XML。
$doc = fluidxml('<html>...</html>');
$title = $doc->query('//head/title')[0]->nodeValue;
$doc->query('//body/p', 'div.active', '#bgId')
->each(function($i, $node) {
// $node is a DOMNode.
$tag = $node->nodeName;
$text = $node->nodeValue;
$class = $node->getAttribute('class');
});
https://github.com/servo-php/fluidxml
顺便说一下，这通常被称为屏幕刮擦。我为此使用的库是SimpleHTMLDomParser。
