È possibile utilizzare simplexml per copiare tramite html?

Question

Vorrei prelevare i dati da una tabella senza utilizzare le espressioni regolari. Mi è piaciuto usare simplexml per analizzare i feed RSS e vorrei sapere se può essere usato per prendere una tabella da un'altra pagina.

Es. Prendi la pagina con curl o semplicemente file_get_contents(); quindi utilizzare simplexml per afferrare il contenuto?

Answer 1

È possibile utilizzare la funzione loadHTML dal modulo DOM, e quindi importare che DOM in SimpleXML via simplexml_import_dom:

$html = file_get_contents('http://example.com/'); 
$doc = new DOMDocument(); 
$doc->loadHTML($html); 
$sxml = simplexml_import_dom($doc); 

Answer 2

Se questo è XHTML - sì, è sicuramente possibile. Il vero XHTML è solo XML alla fine, quindi può essere analizzato con un parser XML.

SimpleXML, tuttavia, accetta solo XML rigoroso. Se non è possibile ottenere XHTML valido sembra metterlo attraverso il meno rigorosa DOMDocument biblioteca prima farà il trucco (source here):

<?php 
    $html = file_get_contents('http://...'); 
    $doc = new DOMDocument(); 
    $doc->strictErrorChecking = FALSE; 
    $doc->loadHTML($html); 
    $xml = simplexml_import_dom($doc); 
?> 

Answer 3

può dipendere da una pagina. Se la pagina è in XHTML (la maggior parte delle pagine web al giorno d'oggi), allora qualsiasi parser XML dovrebbe fare, altrimenti cerca il parser SGML. Ecco una domanda simile, potreste essere interessati a: Error Tolerant HTML/XML/SGML parsing in PHP

Answer 4

La mia versione - tolleranti agli errori e problemi con la codifica

libxml_use_internal_errors(true); 
$doc = new DOMDocument(); 
$doc->strictErrorChecking = FALSE; 
$doc->loadHTML(mb_convert_encoding($this->html_content, 'HTML-ENTITIES', 'UTF-8')); 
libxml_use_internal_errors(false); 
$xml = simplexml_import_dom($doc);