如何解析HTML/XML并从中提取信息
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LIB都要快，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DOM API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，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（破碎的）HTML，并且可以执行XPath查询。它基于libxml
使用DOM需要一些时间才能提高效率，但在我看来，这是非常值得的。因为DOM是一个与语言无关的接口，您可以在许多语言中找到实现，因此如果您需要更改编程语言，那么您可能已经知道如何使用该语言的DOM API
在抓取A元素的href属性中可以找到一个基本用法示例，在php中的DOMDocument中可以找到一般概念概述
关于如何使用DOM扩展，StackOverflow已经做了大量的介绍，因此，如果您选择使用它，您可以肯定，您遇到的大多数问题都可以通过搜索/浏览Stack Overflow来解决
xmlreader-7j8y
XMLReader扩展是一个XML拉式解析器。读卡器充当文档流上前进的光标，并在途中的每个节点处停止
与DOM一样，XMLReader也是基于libxml的。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可能不如使用DOM（在DOM中可以显式告诉它使用libxml的HTML解析器模块）健壮
可以在使用php从h1标记获取所有值时找到一个基本用法示例
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
XML解析器库也基于libxml，并实现了SAX风格的XML推式解析器。对于内存管理来说，它可能比DOM或SimpleXML更好，但与XMLReader实现的pull解析器相比，它更难使用
simplexml
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。如果需要解析损坏的HTML，不要考虑SimeXML，因为它会哽住。
在一个简单的程序中可以找到一个基本的使用示例来CRUD xml文件的节点和节点值，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，我建议使用一个实际上在下面使用DOM/libxml的库，而不是字符串解析
fluentdom-repo-mmnx
FluentDOM为PHP中的DOMDocument提供了类似于jQuery的FluentXML接口。选择器是用XPath或CSS编写的（使用CSS到XPath转换器）。当前版本扩展了DOM实现的标准接口，并添加了来自DOM生活标准的特性。FluentDOM可以加载JSON、CSV、JsonML、RabbitFish等格式。可以通过Composer安装
htmlpagedom-wf22
Wa72\HtmlPageDom是一个易于操作HTML的PHP库
使用DOM的文档。它需要来自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
phpquery（多年未更新）
phpQuery是一个服务器端、可链接、CSS3选择器驱动的文档对象模型（DOM）API，基于用PHP5编写的jQuery JavaScript库，并提供额外的命令行界面（CLI）
另见：https://github.com/electrolinux/phpquery
zend_dom-atxa
Zend_Dom提供了用于处理Dom文档和结构的工具。目前，我们提供了Zend_Dom_查询，它为使用XPath和CSS选择器查询Dom文档提供了统一的接口
查询路径
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jQuery接口的大部分功能（包括CSS样式选择器），但它经过了大量的服务器端使用调优。可以通过Composer安装
fdomdocument hmmf
fDOMDocument扩展了标准DOM，使其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，它们还添加了各种自定义方法和快捷方式
sabre/xml
sabre/xml是一个库，它包装和扩展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只需一次，因此速度很快，并且在大型XML文件上需要较低的内存
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fluent编程模式使其变得有趣和有效
第三方（不基于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LIB都走这条路。下面列出了其中一些
php简单html dom解析器
- 用PHP5+编写的HTMLDOM解析器可以让您以非常简单的方式操作HTML
- 需要PHP5+
- 支持无效的HTML
- 使用选择器在HTML页面上查找标记，就像jQuery一样
- 在一行中从HTML中提取内容
我通常不推荐使用这种解析器。代码库很糟糕，解析器本身速度很慢，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的库都应该能够轻松地超越这一点
php html解析器
phtmlparser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。我们的目标是帮助开发需要快速、简单的方法来获取html的工具，不管它是否有效！这个项目最初由sunra/php simple HTMLDOM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，我不推荐使用这种解析器。它相当慢，CPU使用率很高。也没有清除已创建DOM对象内存的功能。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日以来没有对修复的响应
加农
- 通用标记器和HTML/XML/rssdom解析器
- 操作元素及其属性的能力
支持无效的HTML和UTF8可以对元素执行类似于CSS3的高级查询（如jQuery——支持的名称空间）- HTML美化器（如HTML Tidy）
- 缩小CSS和Javascript
排序属性、更改字符大小写、更正缩进等。- 可扩展
使用基于当前字符/令牌的回调解析文档操作以较小的函数分隔，便于重写- 快捷
从来没用过。看不出有什么好处
html 5
您可以使用上面的方法来解析HTML5，但是由于HTML5允许的标记，可能会有一些怪癖。所以对于HTML5，你要考虑使用一个专用的解析器，比如
html5lib
基于WHATWG HTML5规范的HTML解析器的Python和PHP实现，最大限度地与主要桌面web浏览器兼容
一旦HTML5最终确定，我们可能会看到更多的专用解析器。W3的博客文章《如何进行HTML5解析》也值得一看
webservices
如果您不想编写PHP，也可以使用Web服务。一般来说，我发现这些工具的实用性很小，但这只是我和我的用例
scraperwiki
ScraperWiki的外部接口允许您以希望在web或您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板状态的信息
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
在web上找到的大多数与标记匹配的代码片段都是脆弱的。在大多数情况下，他们只为一个非常特殊的HTM工作