Как правильно парсить HTML и XML в PHP? Разбираем DOMDocument, SimpleXML и регулярные выражения

Краткий ответ: забудьте про регулярные выражения для HTML/XML

HTML и XML — это нерегулярные языки. Регулярные выражения не могут корректно обрабатывать вложенные теги, атрибуты с кавычками и комментарии. Для надёжного парсинга используйте встроенные библиотеки PHP: DOMDocument + DOMXPath для HTML и SimpleXML для XML.

1. Парсинг HTML с DOMDocument и DOMXPath

Это самый мощный и гибкий способ. DOMDocument загружает HTML и строит DOM-дерево, а DOMXPath позволяет выбирать элементы с помощью XPath-запросов.

<?php
// Загружаем HTML (даже кривой)
$html = file_get_contents('https://example.com');
$dom = new DOMDocument();

// Отключаем строгие ошибки для кривого HTML
libxml_use_internal_errors(true);
$dom->loadHTML($html, LIBXML_NOWARNING | LIBXML_NOERROR);
libxml_clear_errors();

// Создаём XPath
$xpath = new DOMXPath($dom);

// Выбираем все ссылки
$links = $xpath->query('//a[@href]');
foreach ($links as $link) {
    $href = $link->getAttribute('href');
    $text = $link->nodeValue;
    echo "Ссылка: $href, Текст: $text\n";
}

// Выбираем заголовки h2 с классом "post-title"
$titles = $xpath->query('//h2[contains(@class, "post-title")]');
foreach ($titles as $title) {
    echo "Заголовок: " . $title->nodeValue . "\n";
}
?>

2. Парсинг XML с SimpleXML

Для XML используйте SimpleXML — он проще и быстрее, но требует валидного XML. Если XML кривой — сначала исправьте его через DOMDocument.

<?php
// Пример XML
$xml = '<books>
    <book id="1">
        <title>PHP для чайников</title>
        <author>Иван Петров</author>
    </book>
</books>';

$books = simplexml_load_string($xml);
foreach ($books->book as $book) {
    $id = (string)$book['id'];
    $title = (string)$book->title;
    echo "Книга #$id: $title\n";
}
?>

3. XPath — ваш главный инструмент

• //div[@class="content"] — все div с классом "content"
• //a[contains(@href, "download")] — ссылки, содержащие "download"
• //p[position() < 3] — первые два параграфа
• //*[@data-id] — любые элементы с атрибутом data-id

4. Обработка кривого HTML и кодировки

Современные сайты часто используют HTML5, который DOMDocument парсит неидеально. Используйте библиотеку masterminds/html5 для корректной работы с HTML5:

composer require masterminds/html5

// Пример с HTML5
use Masterminds\HTML5;
$html5 = new HTML5();
$dom = $html5->loadHTML($html);
$xpath = new DOMXPath($dom);

Для кириллицы всегда указывайте кодировку:

$dom->loadHTML('<meta charset="UTF-8">' . $html);

5. Продвинутые техники

Если нужно парсить много страниц или сложные сайты, используйте DOMCrawler из Symfony (работает поверх DOMDocument):

composer require symfony/dom-crawler

use Symfony\Component\DomCrawler\Crawler;
$crawler = new Crawler($html);
$crawler->filter('a.post-link')->each(function ($node) {
    echo $node->text() . ': ' . $node->attr('href') . "\n";
});

Итоговая рекомендация

Для обычного парсинга HTML используйте DOMDocument + DOMXPath (или DOMCrawler). Для XML — SimpleXML. Регулярные выражения оставьте для простых строк, не связанных с HTML/XML. Всегда обрабатывайте ошибки через libxml_use_internal_errors() и не забывайте про кодировку.

composer require simplehtmldom/simplehtmldom

use simplehtmldom\HtmlDocument;

$html = file_get_contents('https://example.com');
$dom = new HtmlDocument();
$dom->load($html);

// Найти все ссылки
foreach ($dom->find('a') as $link) {
    echo $link->href . ' - ' . $link->plaintext . "\n";
}

// Найти заголовки по классу
$titles = $dom->find('h2.post-title');
foreach ($titles as $title) {
    echo $title->plaintext . "\n";
}

// CSS-селекторы: #id, .class, div > p
$items = $dom->find('div.content ul li');