Преобразование HTML в XML

[Cid]

Преобразование HTML в XML

Обсуждение. Личный опыт.

Задача - с помощью XML-функций в PHP преобразовать имеющийся (произвольный) HTML-файл в формат XML. Поскольку HTML-документ можно рассматривать как частный случай XML, то можно натравить на него xml_parse()....

В общем, без регэкспов - никуда. Все равно сначала придется
- пройти по всему документу и заключить в кавычки все незаключенные в них атрибуты всех тэгов
- привести названия всех тэгов к одному регистру
- все незакрывающиеся по определению тэги привести к виду <TAG />

- но самое главное - это ошибки верстки, связанные с отсутствием закрывающих тэгов... как это обойти - большой вопрос!

Кто еще с этим сталкивался, может, уже есть готовые преобразователи?

 

[Макс]

это ошибки верстки, связанные с отсутствием закрывающих тэгов... как это обойти - большой вопрос!

нанять нормального ХТМЛ-кодера вам конечно не по карману ?

 

[Cid]

нанять нормального ХТМЛ-кодера вам конечно не по карману ?

а какое это имеет отношение к поставленному вопросу?

 

[Yaguan]

- но самое главное - это ошибки верстки, связанные с отсутствием закрывающих тэгов... как это обойти - большой вопрос!

Решаема ли эта задача? имхо, нельзя однозначно определить, в какое именно место нужно вставить закрывающий тег.

Еще нужно учитывать, что html допускает конструкции вида <b><i></b></i>.

 

[lucas]

Еще нужно учитывать, что html допускает конструкции вида <b><i></b></i>.

С этого места поподробней, пожалуйста.
Кто или что допускает подобные конструкции?

По теме:
http://tidy.sourceforge.net/

 

[Cid]

Стандарт таких перекрестных конструкций не предусматривает, это просто отдельные браузеры в состоянии корректно интерпретировать такой код.

Спасибо за ссылку

 

[Макс]

Вот такой пример :

<p> <b> Это заголовок <br>
<i> это выделенный текст </i>
и так далее .... <br>
</p>

Как программа должна догадаться, где в данном месте закрыть тег </b> ?
Можно отследить, что тег не закрыт, но где его закрыть должен решать верстальщик

ЗЫ
antonio писал, что его HTML_Parser может работать с невалидным ХТМЛ, но как его использовать для данной задачи я не вижу (http://phpclub.ru/talk/showthread.php?s=&threadid=47619&rand=26)

 

[Cid]

Как программа должна догадаться, где в данном месте закрыть тег </b> ?

"Догадаться" она может также, как Tidy или IE - если тэг не закрыт, то он принудительно закрывается перед появлением следующего.

Так что, видимо, в качестве строгого требования к "входящему" HTML нужно устанавливать непременное требование к целостности тэгов...

 

[Crazy]

Автор оригинала: Yaguan
Еще нужно учитывать, что html допускает конструкции вида <b><i></b></i>.

HTML не допускает конструкций такого вида. Конструкции такого вида соглашаются некоторым образом интерпретировать браузеры.

 

[render]

Я бы советовал использовать библиотеку DOMXML, эта либа строит дерево тегов документа и ты можешь обходить элементы дерева с помощью вызовов методов. Стандарт HTML не поддерживает не правильное закрытие тегов (если это поддерживает microsoft это еще не стандарт!).

 

[Yaguan]

Согласен, со стандартом я погорячился.