¿Se puede usar simplexml para rifle a través de html?

Question

Me gustaría obtener datos de una tabla sin usar expresiones regulares. He disfrutado usando simplexml para analizar feeds RSS y me gustaría saber si se puede usar para tomar una tabla de otra página.

Por ejemplo. Coge la página con curl o simplemente file_get_contents(); luego usa simplexml para captar contenidos?

Answer 1

Usted puede utilizar la función loadHTML desde el módulo DOM, y luego de importación DOM que en SimpleXML través simplexml_import_dom:

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

Answer 2

Si esto es XHTML - sí, definitivamente es posible. True XHTML es solo XML al final, por lo que se puede analizar con un analizador XML.

SimpleXML, sin embargo, solo acepta XML estricto. Si no se puede conseguir XHTML parece que ponerlo a través de la menos estricta DOMDocument primera biblioteca hará el truco (source here):

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

Answer 3

Esto puede depender de una página. Si la página está en XHTML (la mayoría de las páginas web hoy en día), entonces cualquier analizador XML debería hacerlo; de lo contrario, busque el analizador SGML. Aquí hay una pregunta similar, que podría estar interesado en: Error Tolerant HTML/XML/SGML parsing in PHP

Answer 4

Mi versión - tolerante a errores y problemas con la codificación

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);