Konwersja HTML na XML

Question

Mam wiele plików HTML, które należy przenieść w XML. Używamy tych HTML do obsługi zawartości aplikacji, ale teraz musimy podawać te treści jako XML.

zawiera pliki HTML są tabele, div, wyświetlanego obrazu, p, b lub silne tagi, etc ..

google i znalazłem kilka aplikacji, ale nie mogłem jeszcze achive.

Czy mógłbyś zaproponować sposób konwersji tych plików na XML?

Answer 1

miałem udany użyciu narzędzia wiersza polecenia tidy. Na Linuksie zainstalowałem go szybko z apt-get install tidy. Następnie polecenie:

tidy -q -asxml --numeric-entities yes source.html >file.xml

dało xml, które było w stanie przetwarzać z procesora XSLT. Jednak musiałem poprawnie skonfigurować xhtml1 dtds.

To jest ich strona: html-tidy.org (i dziedzictwo jedna: HTML Tidy)

Answer 2

Pamiętaj, że HTML i XML to dwie odrębne koncepcje w drzewie języków znaczników. Nie możesz dokładnie replace HTML with XML. XML może być postrzegany jako uogólniona forma HTML, ale nawet to jest nieprecyzyjne. Używasz głównie HTML do wyświetlania danych, a XML do przenoszenia (lub przechowywania) danych.

Ten link jest pomocne: How to read HTML as XML?

More here - difference between HTML and XML

Answer 3

I nie znaleźli sposób na konwersję (nawet złe) html w dobrze uformowane XML. Zacząłem opierać to na funkcji loadHTML DOM. Jednak w czasie pojawiły się liczne problemy, a ja zoptymalizowałem i dodałem poprawki poprawiające efekty uboczne.

function tryToXml($dom,$content) { 
    if(!$content) return false; 

    // xml well formed content can be loaded as xml node tree 
    $fragment = $dom->createDocumentFragment(); 
    // wonderfull appendXML to add an XML string directly into the node tree! 

    // aappendxml will fail on a xml declaration so manually skip this when occurred 
    if(substr($content,0, 5) == '<?xml') { 
     $content = substr($content,strpos($content,'>')+1); 
     if(strpos($content,'<')) { 
     $content = substr($content,strpos($content,'<')); 
     } 
    } 

    // if appendXML is not working then use below htmlToXml() for nasty html correction 
    if(!@$fragment->appendXML($content)) { 
     return $this->htmlToXml($dom,$content); 
    } 

    return $fragment; 
    } 



    // convert content into xml 
    // dom is only needed to prepare the xml which will be returned 
    function htmlToXml($dom, $content, $needEncoding=false, $bodyOnly=true) { 

    // no xml when html is empty 
    if(!$content) return false; 

    // real content and possibly it needs encoding 
    if($needEncoding) { 
     // no need to convert character encoding as loadHTML will respect the content-type (only) 
     $content = '<meta http-equiv="Content-Type" content="text/html;charset='.$this->encoding.'">' . $content; 
    } 

    // return a dom from the content 
    $domInject = new DOMDocument("1.0", "UTF-8"); 
    $domInject->preserveWhiteSpace = false; 
    $domInject->formatOutput = true; 

    // html type 
    try { 
     @$domInject->loadHTML($content); 
    } catch(Exception $e){ 
     // do nothing and continue as it's normal that warnings will occur on nasty HTML content 
    } 
     // to check encoding: echo $dom->encoding 
     $this->reworkDom($domInject); 

    if($bodyOnly) { 
     $fragment = $dom->createDocumentFragment(); 

     // retrieve nodes within /html/body 
     foreach($domInject->documentElement->childNodes as $elementLevel1) { 
     if($elementLevel1->nodeName == 'body' and $elementLevel1->nodeType == XML_ELEMENT_NODE) { 
     foreach($elementLevel1->childNodes as $elementInject) { 
      $fragment->insertBefore($dom->importNode($elementInject, true)); 
     } 
     } 
     } 
    } else { 
     $fragment = $dom->importNode($domInject->documentElement, true); 
    } 

    return $fragment; 
    } 



    protected function reworkDom($node, $level = 0) { 

     // start with the first child node to iterate 
     $nodeChild = $node->firstChild; 

     while ($nodeChild) { 
      $nodeNextChild = $nodeChild->nextSibling; 

      switch ($nodeChild->nodeType) { 
       case XML_ELEMENT_NODE: 
        // iterate through children element nodes 
        $this->reworkDom($nodeChild, $level + 1); 
        break; 
       case XML_TEXT_NODE: 
       case XML_CDATA_SECTION_NODE: 
        // do nothing with text, cdata 
        break; 
       case XML_COMMENT_NODE: 
        // ensure comments to remove - sign also follows the w3c guideline 
        $nodeChild->nodeValue = str_replace("-","_",$nodeChild->nodeValue); 
        break; 
       case XML_DOCUMENT_TYPE_NODE: // 10: needs to be removed 
       case XML_PI_NODE: // 7: remove PI 
        $node->removeChild($nodeChild); 
        $nodeChild = null; // make null to test later 
        break; 
       case XML_DOCUMENT_NODE: 
        // should not appear as it's always the root, just to be complete 
        // however generate exception! 
       case XML_HTML_DOCUMENT_NODE: 
        // should not appear as it's always the root, just to be complete 
        // however generate exception! 
       default: 
        throw new exception("Engine: reworkDom type not declared [".$nodeChild->nodeType. "]"); 
      } 
      $nodeChild = $nodeNextChild; 
     } ; 
    } 

Teraz pozwala to również na dodanie większej ilości kawałków html do jednego pliku XML, którego musiałem użyć. W ogóle można go używać tak:

 $c='<p>test<font>two</p>'; 
    $dom=new DOMDocument('1.0', 'UTF-8'); 

$n=$dom->appendChild($dom->createElement('info')); // make a root element 

if($valueXml=tryToXml($dom,$c)) { 
    $n->appendChild($valueXml); 
} 
    echo '<pre/>'. htmlentities($dom->saveXml($n)). '</pre>'; 

w tym przykładzie '<p>test<font>two</p>' będzie ładnie się outputed w dobrze uformowane XML jako „<info><p>test<font>two</font></p></info>”. Zostanie dodany znacznik główny informacji, ponieważ pozwoli on również konwertować "<p>one</p><p>two</p>", który nie jest XML, ponieważ nie ma jednego elementu głównego. Jednak jeśli html z pewnością ma jeden element główny, to dodatkowy znacznik główny można pominąć.

Dzięki temu uzyskuję naprawdę ładne XML z niestrukturalnego, a nawet zepsutego HTML!

Mam nadzieję, że jest to trochę jasne i może przyczynić się do tego, że inni będą z niego korzystać.