使用 simpleXML 从 XML 文件中提取 HTML

Question

我正在读取由第 3 方应用程序生成的 xml 文件，其中包括以下内容：

<Cell>
    <Comment ss:Author="Mark Baker">
        <ss:Data xmlns="http://www.w3.org/TR/REC-html40"><B><Font html:Face="Tahoma" html:Size="8" html:Color="#000000">Mark Baker:</Font></B><Font html:Face="Tahoma" html:Size="8" html:Color="#000000">&#10;Comment 1 - No align</Font></ss:Data>
    </Comment>
</Cell>

我想做的是从 Cell->Comment->Data 元素“按原样”或“按原样”访问原始数据实际的 (X)HTML 标记块（最好是后者）。

if (isset($cell->Comment)) {
    echo 'comment found<br />';
    $commentAttributes = $cell->Comment->attributes($namespaces['ss']);
    if (isset($commentAttributes->Author)) {
        echo 'Author: ',(string)$commentAttributes->Author,'<br />';
    }
    $commentData = $cell->Comment->children($namespaces['ss']);
    var_dump($commentData);
    echo '<br />';
}

给我：

comment found
Author: Mark Baker
object(SimpleXMLElement)#130 (2) { ["@attributes"]=> array(1) { ["Author"]=> string(10) "Mark Baker" } ["Data"]=> object(SimpleXMLElement)#129 (0) { } } 

while

if (isset($cell->Comment)) {
    echo 'comment found<br />';
    $commentAttributes = $cell->Comment->attributes($namespaces['ss']);
    if (isset($commentAttributes->Author)) {
        echo 'Author: ',(string)$commentAttributes->Author,'<br />';
    }
    $commentData = $cell->Comment->Data->children();
    var_dump($commentData);
    echo '<br />';
}

给我：

comment found
Author: Mark Baker
object(SimpleXMLElement)#129 (2) { ["B"]=> object(SimpleXMLElement)#118 (1) { ["Font"]=> string(11) "Mark Baker:" } ["Font"]=> string(21) " Comment 1 - No align" } 

不幸的是，simpleXML 似乎将整个元素视为一系列 XML 节点。我确信我应该能够获得原始数据，而无需复杂的循环，或将元素提供给 DOM 解析器；也许使用 xmlns="http://www.w3.org/TR/REC-html40" 命名空间来干净地提取它，但我不知道如何。

任何帮助表示赞赏。

XML 数据的更复杂示例：

<Cell>
    <Comment ss:Author="Mark Baker">
        <ss:Data xmlns="http://www.w3.org/TR/REC-html40">
            <B><Font html:Face="Tahoma" html:Size="8" html:Color="#000000">Mark Baker:</Font></B><Font html:Face="Tahoma" html:Size="8" html:Color="#000000">&#10;</Font><B><Font html:Face="Tahoma" x:Family="Swiss" html:Size="8" html:Color="#000000">Rich </Font><U><Font html:Face="Tahoma" x:Family="Swiss" html:Size="8" html:Color="#FF0000">Text </Font></U><Font html:Face="Tahoma" x:Family="Swiss" html:Size="8" html:Color="#000000">Comment</Font></B><Font html:Face="Tahoma" html:Size="8" html:Color="#000000"> Center Aligned</Font>
        </ss:Data>
    </Comment>
</Cell>

Answer 1

我暂时采用了一种快速而肮脏的解决方案。从长远来看，我将改用 XMLReader（出于上述所有原因）...我只是目前没有时间重写所有现有的 simpleXML 代码。

我已经同意了：

$node = $cell->Comment->Data->asXML();
$comment = substr($node,49,-10);
$comment = strip_tags($comment);

虽然我更愿意保留 HTML 标记，但这需要额外的工作，所以我只是删除所有标记，留下纯文本（这是关键元素）。

虽然这远非完美的解决方案，但它做了我需要它做的事情（目前），并且我可以继续执行“待办事项”列表中的下一项，已经添加了一个新项目“重写使用” XMLReader”到该列表。

感谢您的帮助。当我重写时，我一定会重新访问这个线程。

Answer 2

所以我知道你的问题来了又去，但我也遇到了同样的问题，我也必须弄清楚我想如何处理它。为了后代，我是这样得到它的。

如果您只接受 (x)HTML：

$data = str_replace('<?xml version="1.0"?>','',$xmlNode->asXML());

如果您认为有人会放入 XML 并且您对此表示同意，那么您只想删除第一个自动生成的 XML 标记：

$data = preg_replace('/^<\?xml version="1.0"\?\>\n/', '',$xmlNode->asXML());

所以您的代码将如下所示:

if (isset($cell->Comment)) {
    echo 'comment found<br />';
    $commentAttributes = $cell->Comment->attributes($namespaces['ss']);
    if (isset($commentAttributes->Author)) {
        echo 'Author: ',(string)$commentAttributes->Author,'<br />';
    }
    $commentData = str_replace('<?xml version="1.0"?>','',$cell->Comment->Data->asXML());
    echo $commentData;
    echo '<br />';
}

Answer 3

如果 元素内的 HTML 被视为字符串文字，则必须将其包装到 CDATA 部分 正如评论中已经暗示的，

$xml = <<< XML
<Cell>
    <Comment ss:Author="Mark Baker">
        <ss:Data xmlns="http://www.w3.org/TR/REC-html40">
            <![CDATA[
                <B><Font html:Face="Tahoma" … html:Color="#000000">
            ]]>
        </ss:Data>
    </Comment>
</Cell>
XML;
libxml_use_internal_errors(TRUE);
$cell = simplexml_load_string($xml);
echo $cell->Comment->Data;

如果它不在 CDATA 部分中，它将被视为节点。然后，您需要查找 的 insideXml 以将其作为原始 XML 获取。不幸的是，SimpleXml 和 DOM 都没有直接获取它的本机方法。您必须使用用户态实现。

innerXml 的用户态实现通常要么迭代所有子节点，要么连接它们的原始 XML。或者他们转储整个树并用字符串替换根节点。或者他们创建一个片段或将节点导入到另一个文档中。

我不知道有任何其他方法可以做到这一点。不确定这是否可以通过 XSLT 实现。 XMLReader 有一个 readInnerXML 方法。

Answer 4

如果您的实现使用 DOM，我相信您可以执行以下操作：

//given $node is <ss:data>

$frag = $node->ownerDocument->createDocumentFragment();
foreach($node->childNodes as $child){
    $frag->appendChild($child->cloneNode(true));
}
$string = $node->ownerDocument->saveXML($frag);