在PHP中解析格式不正确的HTML [英] Parsing of badly formatted HTML in PHP

问题描述

在我的代码中，我使用openoffice将一些样式化的xls文档转换为html。
然后我使用 xml_parser_create 来分析表格。
问题在于openoffice创建了oldschool html，并且未封闭< BR> 和< HR> 标签，它不会创建文档类型，也不会引用属性< TABLE WIDTH = 4> 。

In my code I convert some styled xls document to html using openoffice. I then parse the tables using xml_parser_create. The problem is that openoffice creates oldschool html with unclosed <BR> and <HR> tags, it doesn't create doctypes and don't quote attributes <TABLE WIDTH=4>.

我知道的PHP解析器不喜欢这样，并产生XML格式错误。我当前的解决方案是在解析文件之前对文件运行一些正则表达式，但这并不好也不快。

The php parsers I know off don't like this, and yield xml formatting errors. My current solution is to run some regexes over the file before I parse it, but this is neither nice nor fast.

你知道一个（希望包含的）php解析器，那不关心这类错误？或者可能是一个快速的方法来修复一个'坏'的HTML？

Do you know a (hopefully included) php-parser, that doesn't care about these kinds of mistakes? Or perhaps a fast way to fix a 'broken' html?

推荐答案

解决方案修复 HTMLPurifier （引用）：

HTML Purifier是用PHP编写的符合标准的
HTML滤镜库。

HTML Purifier不仅会删除
所有恶意代码（更为人熟知的是
XSS），它还包含经过全面审计的
安全但宽松的白名单，它
也将确保您的文档符合标准

另一种想法可能是尝试使用 DOMDocument :: loadHTML 加载HTML
$ b

An alternative idea might be to try loading your HTML with DOMDocument::loadHTML (quoting) :

该函数解析HTML中包含的
在字符串源中。与加载
XML不同， HTML不必是
格式才能加载。

如果您尝试从文件加载HTML，请参阅 DOMDocument :: loadHTMLFile 。

And if you're trying to load HTML from a file, see DOMDocument::loadHTMLFile.

这篇关于在PHP中解析格式不正确的HTML的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！