用PHP解析HTML

Question

我有一个问题，我必须做一个网页的解析器。结构如下：

<TABLE WIDTH=80%> 

<tr><td colspan=7><BR><BR></td></tr> 
<TR> 
<Td colspan=7><FONT FACE="arial" align=left><B><A NAME="TEST">Anagrafica</B><br></TH> 
</TR> 
<tr><td colspan=7></td></tr> 
<TR> 
<TH ALIGN=LEFT ><FONT COLOR="#AA0000" FACE="arial" SIZE="2">Name</FONT></TH> 
    <TH></TH> 
    <TH ALIGN=LEFT ><FONT COLOR="#AA0000" FACE="arial" SIZE="2">Surname</FONT></TH> 
    <TH></TH> 
    <TH ALIGN=LEFT ><FONT COLOR="#AA0000" FACE="arial" SIZE="2">ID</FONT></TH> 
    <TH></TH> 
<TH ALIGN=LEFT ><FONT COLOR="#AA0000" FACE="arial" SIZE="2">Code</FONT></TH> 
</TR> 

<tr> 
<TD COLSPAN="7"> 
<HR SIZE="1" NOSHADE></TD> 
<TR> 

<TR> 
    <TD ALIGN="left" VALIGN="TOP" NOWRAP><FONT SIZE="1" FACE="arial">Mario</FONT>  </TD> 
    <TD WIDTH="10"><VALIGN="TOP"><FONT SIZE="1" FACE="arial">&#160;</FONT></TD> 
    <TD ALIGN="CENTER" VALIGN="TOP" NOWRAP><P ALIGN="CENTER"><FONT SIZE="1" FACE="arial"> Mario </FONT></TD> 
    <TD WIDTH="10"><VALIGN="TOP"><FONT SIZE="1" FACE="arial">&#160;</FONT></TD> 
    <TD ALIGN="LEFT" VALIGN="TOP" NOWRAP><FONT SIZE="1" FACE="arial">1</FONT></TD> 
    <TD WIDTH="10"><VALIGN="TOP"><FONT SIZE="1" FACE="arial">a</FONT></TD> 
    <TD ALIGN="LEFT" VALIGN="TOP" NOWRAP><FONT SIZE="1" FACE="arial">132</FONT></TD> 

<TR> 
    <TD ALIGN="left" VALIGN="TOP" NOWRAP><FONT SIZE="1" FACE="arial">Mario</FONT>  </TD> 
    <TD WIDTH="10"><VALIGN="TOP"><FONT SIZE="1" FACE="arial">&#160;</FONT></TD> 
    <TD ALIGN="CENTER" VALIGN="TOP" NOWRAP><P ALIGN="CENTER"><FONT SIZE="1" FACE="arial"> Mario </FONT></TD> 
    <TD WIDTH="10"><VALIGN="TOP"><FONT SIZE="1" FACE="arial">&#160;</FONT></TD> 
    <TD ALIGN="LEFT" VALIGN="TOP" NOWRAP><FONT SIZE="1" FACE="arial">1</FONT></TD> 
    <TD WIDTH="10"><VALIGN="TOP"><FONT SIZE="1" FACE="arial">a</FONT></TD> 
    <TD ALIGN="LEFT" VALIGN="TOP" NOWRAP><FONT SIZE="1" FACE="arial">132</FONT></TD> 

<TR> 

我想用这个脚本

$start = strpos($content,'<Td colspan=7><FONT FACE="arial" align=left><B><A NAME='); 
if ($start == TRUE) { 
    $end = strpos($content,'</TABLE>',$start) + 8; 
    $table = substr($content,$start,$end-$start); 
    preg_match_all("|<TD(.*)</TD>|U",$table,$rows); 

    $x = 1; 
    $counter = 1; 
    echo "<table class=\"TFtable\">"; 
    foreach ($rows[0] as $row){ 
     if ((strpos($row,'<TR')===false)){ 
      preg_match_all("|<TD(.*)</TD>|U",$row,$cells); 
      $status[$x] = strip_tags($cells[0][0]); 
      $x = $x+1; 
      $counter = $counter+1; 
     } 
     if ($counter % 7 == 1) { 
      echo "<tr><td>{$status[2]} - {$status[4]} <br> {$status[6]} - {$status[1]}</td></tr>\n"; 
      $x = 1; 
     } 
    } 
    echo "</table>"; 

这样拿4列的数据，但是，最后一个字段$状态[1]我就会出现在第二行中，就好像它确实是第2行的一部分：

例如

马里奥罗西1 213

马里奥·比安奇2 324

显示

马里奥·罗西1

马里奥·比安奇2 213

我在哪里错了？

Answer 1

尝试查看DOMDocument而不是重现HTML。用loadHTML()你可以让PHP解析HTML。以HTML DOM Document parsing为例。

Answer 2

如果您实际上正在尝试构建解析器，那么您可能不想使用预先构建的HTML/DOM解析器。如果是这样的话，你可能会想请按照下列步骤操作：

• 记号化的输入（可以使用正则表达式这部分）
• 处理您的令牌，确定他们来每个人的意义。
  • 你可能想看看所谓的“递归下降解析器”
  • 每个令牌可以改变的含义如下令牌
  • 你可能需要看看行的下一个标记而不处理它
• 回到你的输出，最有可能的对象，表示一个DOM树

你可能需要考虑到语言的正式定义，以确定哪些k处的形式表情符号可能会跟着彼此。举例来说，一开始标签的定义可能看起来像下面这样（虽然这不是一个正式的定义，并可能包含错误）：

'<' + tagName + attributes list + '>'

同样，这可能是非常不准确的，你我们会想看看这个语言的正式定义。

The w3c HTML global structure document可能是一个很好的开始。