如何将此HTML表格转换为XML？

下面是两个包含我想要以XML格式存在的数据的表。实际的东西是两个以上随机数的行。如何将此HTML表格转换为XML？

<table width="100%" align="center" class="mytable" border="1" cellspacing="1"> 
    <tr><td width="100%"><b>Δ.Ο.Υ. Α' ΑΘΗΝΩΝ (Α',Β',Γ',ΙΕ',ΚΒ') Κ.Α.: 1101</b> Αναξαγόρα 6-8, T.K. 100 10 Αθήνα</a><a name="aa8inon"></a></td></tr> 
    <tr><td width="8%">Προϊστάμενος</td><td width="8%">&nbsp;</td><td width="8%"><b>210</b>-52.72.810, 770</td></tr> 
    <tr><td width="8%">Υποδιευθυντής Φορολογίας</td><td width="8%">&nbsp;</td><td width="8%"><b>210</b>-52.72.804</td></tr> 
    <tr><td width="8%">Υποδιευθυντής Ελέγχου</td><td width="8%"><b>213</b> 1604121</td><td width="8%"><b>210</b>-52.72.807</td></tr> 
</table> 

<table width="100%" align="center" class="mytable" border="1" cellspacing="1"> 
    <tr><td width="100%"><b>Δ.Ο.Υ. ΚΑΤΟΙΚΩΝ ΕΞΩΤΕΡΙΚΟΥ Κ.Α.: 1125</b> Μετσόβου 4-T.K. 106 82 Αθήνα</td></tr> 
    <tr><td width="8%">Προϊστάμενος</td><td width="8%"><b>213</b> 1607155</td><td width="8%"><b>210</b>- 8204607</td></tr> 
    <tr><td width="8%">Υποδιευθυντής Φορολογίας</td><td width="8%">&nbsp;</td><td width="8%"><b>210</b>- 8204604</td></tr> 
</table>

表标签下面的第一行是根元素，所有其他行都是子元素。如果我在正确命名元素时犯了一些错误，请原谅我。

例如第一<tr><td>之间看到

<b>Δ.Ο.Υ. Α' ΑΘΗΝΩΝ (Α',Β',Γ',ΙΕ',ΚΒ') Κ.Α.: 1101</b> Αναξαγόρα 6-8, T.K. 100 10 Αθήνα</a><a name="aa8inon"></a>

这将是根元素的属性名称。

以下行Προϊστάμενος的第一<td></td>是子元素，并从下一<td>直到<tr>最后</td>是这个子元素中的数据。

这是我想有

<note doy="<b>Δ.Ο.Υ. Α' ΑΘΗΝΩΝ (Α',Β',Γ',ΙΕ',ΚΒ') Κ.Α.: 1101</b> Αναξαγόρα 6-8, T.K. 100 10 Αθήνα</a><a name="aa8inon"></a>"> 
    <Προϊστάμενος>&nbsp;</td><td width="8%"><b>210</b>-52.72.810, 770</Προϊστάμενος> 
    <Υποδιευθυντής Φορολογίας>&nbsp;</td><td width="8%"><b>210</b>-52.72.810, 770</Υποδιευθυντής Φορολογίας> 
</note>

什么这可能吗？任何代码表示赞赏。

来源

2013-03-02 EnexoOnoma

尝试我们解释什么是你想这样做。检查XY问题线程（http://meta.stackexchange.com/questions/66377/what-is-the-xy-problem）。 – 2013-03-02 21:55:35

如果你想修改外部页面，你应该创建一个脚本来接受你想要修改的页面URL（index.php？url = http％3A％2F％2Fwww.google.com），并且你加载页面的HTML服务器端并将javascript添加到它。 – 2013-03-02 22:00:12

+11

您的HTML或XML都无效。另外，**你有什么尝试**？！ – 2013-09-07 14:50:09

我不是一个php编码器我自己，道歉的任何错误。我用[1]作为参考，并做出答案了日新月异的变化来接近你有什么作为你的问题：

代码作为一个粗略的想法：

<?php 


    # Create new DOM object 
    $domOb = new DOMDocument(); 

    # Grab your HTML file 
    $html = $domOb->loadHTMLFile(sections.html); 

    # Remove whitespace 
    $domOb->preserveWhiteSpace = false; 

    # Set the container tag 
    $container = $domOb->getElementsByTagName('table'); 

    # Loop through td values 
    foreach ($container as $row) 
    { 
     # Grab all <td> 
     $items = $row->getElementsByTagName('td'); 
    } 

?>

进化到完全回答问题：

就这样，几乎直接从该来源[1]采取$container具有所有表和$items具有<td>元件CON帐篷。

我想你可以将某些PHP的，所以它不会是一个大招，现在做如下（这里仅仅是伪代码，对不起）：

1) Take one table item from `$container` with that `foreach` 
2) Take first td item, write the needed xml tag `<note doy="` 
3) Print td content there 
4) Close tag `">` 
5) Print the rest of the rows, adding the <td> tags manually to the sides (I suppose this code removes them 
6) Add trailing `</node>` tag and iterate to next one on `$container`

对不起，我的PHP技能等于零，尝试用这些来管理，或者如果其他人可以改善这一点，请随意使用我的开始作为一个来源，并作出新的答案。我只想帮助@Kaoukkos，如果我不能给出最完整的答案和另一个人可以，我不想要任何分数。

需要的是不要用foreach，但一些其他的方式，在那里你可以说做2-4第一行和5到其他内容和重复它就是这样，伙计们！

我的消息来源：

[1] Generating XML from HTML list using PHP

来源

2013-09-07 20:58:09 mico

回想起来，我不能告诉你的问题是为PHP或JavaScript，但这里是在Javascript答案。只需将其保存到HTML文件并将其加载到新的浏览器窗口即可查看输出结果。

<html> 
<head> 
<meta http-equiv="Content-Type" content="text/html; charset=utf-8"> 
</head> 
<body> 
<table width="100%" align="center" class="mytable" border="1" cellspacing="1"> 
    <tr><td width="100%"><b>Δ.Ο.Υ. Α' ΑΘΗΝΩΝ (Α',Β',Γ',ΙΕ',ΚΒ') Κ.Α.: 1101</b> Αναξαγόρα 6-8, T.K. 100 10 Αθήνα</a><a name="aa8inon"></a></td></tr> 
    <tr><td width="8%">Προϊστάμενος</td><td width="8%">&nbsp;</td><td width="8%"><b>210</b>-52.72.810, 770</td></tr> 
    <tr><td width="8%">Υποδιευθυντής Φορολογίας</td><td width="8%">&nbsp;</td><td width="8%"><b>210</b>-52.72.804</td></tr> 
    <tr><td width="8%">Υποδιευθυντής Ελέγχου</td><td width="8%"><b>213</b> 1604121</td><td width="8%"><b>210</b>-52.72.807</td></tr> 
</table> 
<table width="100%" align="center" class="mytable" border="1" cellspacing="1"> 
    <tr><td width="100%"><b>Δ.Ο.Υ. ΚΑΤΟΙΚΩΝ ΕΞΩΤΕΡΙΚΟΥ Κ.Α.: 1125</b> Μετσόβου 4-T.K. 106 82 Αθήνα</td></tr> 
    <tr><td width="8%">Προϊστάμενος</td><td width="8%"><b>213</b> 1607155</td><td width="8%"><b>210</b>- 8204607</td></tr> 
    <tr><td width="8%">Υποδιευθυντής Φορολογίας</td><td width="8%">&nbsp;</td><td width="8%"><b>210</b>- 8204604</td></tr> 
</table> 
<textarea id="output" rows="24" cols="140"></textarea> 
</body> 
<script type="text/javascript"> 
var tables=document.getElementsByTagName("table"); 
var doc, note, el, elName, txt,txtContent; 

doc=document.implementation.createDocument("AnyNamespaceYouWantForYourXML","RootElementName"); //In older versions of IE, I believe you'll have to resort to an ActiveX object 
for(var t =0; t<tables.length;t++){ 
    el=doc.createElement("note"); 
    note=doc.documentElement.appendChild(el); 
    rows=tables[t].getElementsByTagName("tr"); 
    for(var r=0; r<rows.length; r++){ 
     var tds=rows[r].getElementsByTagName("td"); 
     if(r==0){ 
      note.setAttribute("doy",tds[0].innerHTML); //Unlike in your example output, the real output will have 'special' characters correctly html encoded 
     } else { 
      elName=tds[0].innerText; 
      elName=elName.trim(); //You probably want to discard leading or trailing whitespace 
      elName=elName.replace(/[\s]+/g,"_"); //XML element names cannot contain spaces, so replace with underscores 
      //There are other rules relating to valid XML element names which you may need to add here. Greek letters should be fine. 
      el=doc.createElement(elName); 
      //It wasn't clear from your example whether you wanted the xml element to contain the text of the html or some text and a td element 
      //The first case seemed more likely, so here it is 
      txtContent=" </td>"; 
      for(var d=1;d<tds.length;d++){ 
       txtContent+=tds[d].outerHTML; 
      } 
      txt=doc.createTextNode(txtContent); 
      el.appendChild(txt); //Put the text in the element 
      note.appendChild(el); //Add the element to the note 
     } 
    } 
} 
console.log(doc); //Check the console, you have a useful XML document object 
document.getElementById("output").value=xml2Str(doc.documentElement); //Output a string representation 


function xml2Str(xmlNode) { 
    try { 
     // Pretty printing available? 
     return XML((new XMLSerializer()).serializeToString(xmlNode)).toXMLString(); 
    } 
    catch (e) {} 
    try { 
     // Gecko- and Webkit-based browsers (Firefox, Chrome), Opera. 
     return (new XMLSerializer()).serializeToString(xmlNode).replace(/<([^\/])/g,"\n<$1"); 
    } 
    catch (e) {} 
    try { 
    // Internet Explorer. 
    return xmlNode.xml.replace(/<([^\/])/g,"<\1"); 
    } 
    catch (e) {} 
    //Other browsers without XML Serializer 
    alert('Xmlserializer not supported'); 
    return false; 
} 
</script> 
</html>

样本输出（压痕手工添加）：

<RootElementName xmlns="AnyNamespaceYouWantForYourXML"> 
<note doy="&lt;b&gt;Δ.Ο.Υ. Α' ΑΘΗΝΩΝ (Α',Β',Γ',ΙΕ',ΚΒ') Κ.Α.: 1101&lt;/b&gt; Αναξαγόρα 6-8, T.K. 100 10 Αθήνα&lt;a name=&quot;aa8inon&quot;&gt;&lt;/a&gt;"> 
    <Προϊστάμενος> &lt;/td&gt;&lt;td width="8%"&gt;&amp;nbsp;&lt;/td&gt;&lt;td width="8%"&gt;&lt;b&gt;210&lt;/b&gt;-52.72.810, 770&lt;/td&gt;</Προϊστάμενος> 
    <Υποδιευθυντής_Φορολογίας> &lt;/td&gt;&lt;td width="8%"&gt;&amp;nbsp;&lt;/td&gt;&lt;td width="8%"&gt;&lt;b&gt;210&lt;/b&gt;-52.72.804&lt;/td&gt;</Υποδιευθυντής_Φορολογίας> 
    <Υποδιευθυντής_Ελέγχου> &lt;/td&gt;&lt;td width="8%"&gt;&lt;b&gt;213&lt;/b&gt; 1604121&lt;/td&gt;&lt;td width="8%"&gt;&lt;b&gt;210&lt;/b&gt;-52.72.807&lt;/td&gt;</Υποδιευθυντής_Ελέγχου> 
</note> 
<note doy="&lt;b&gt;Δ.Ο.Υ. ΚΑΤΟΙΚΩΝ ΕΞΩΤΕΡΙΚΟΥ Κ.Α.: 1125&lt;/b&gt; Μετσόβου 4-T.K. 106 82 Αθήνα"> 
    <Προϊστάμενος> &lt;/td&gt;&lt;td width="8%"&gt;&lt;b&gt;213&lt;/b&gt; 1607155&lt;/td&gt;&lt;td width="8%"&gt;&lt;b&gt;210&lt;/b&gt;- 8204607&lt;/td&gt;</Προϊστάμενος> 
    <Υποδιευθυντής_Φορολογίας> &lt;/td&gt;&lt;td width="8%"&gt;&amp;nbsp;&lt;/td&gt;&lt;td width="8%"&gt;&lt;b&gt;210&lt;/b&gt;- 8204604&lt;/td&gt;</Υποδιευθυντής_Φορολογίας> 
</note> 
</RootElementName>

[编辑]注意事项：

，它含有无与伦比的标记您的示例输出是混淆了（例如标记在你的doy属性和希腊名字标签里面）。我试着尽可能最好地解释您的示例输出，并将属性内和希腊名称元素内的所有内容都转换为文本。这意味着<被表示为& lt;和“作为&”和“作为&”;但是，另一种可能性是围绕标记与< [！CDATA [...]]>告诉XML解释器不要解析该区域中的字符。您可以使用希腊字符命名XML元素，请注意，并非所有字符都是有效的或XML元素名称，因此您必须对可以在第一个单元格中显示的文本进行某种控制，或者明确地纠正代码中的无效字符见http://www.w3schools.com/xml/xml_elements.asp

来源

2013-09-08 00:57:05

谢谢你。我在这里尝试过http://jsfiddle.net/D4t3s/，在这里你可以看到结果。但是，并非所有子元素都包含表中的信息（电话号码）...... – EnexoOnoma 2013-09-08 01:33:34

我第一次没有注意到有多个单元格。我已经在中间更新了几行以获得第一个（而不是第二个）后面的所有td元素 – 2013-09-08 01:42:11

它可以与一些正则表达式来完成。这甚至会工作，如果你的代码的格式不正确（但你的表和TD标签必须被正确格式化）。

// your original string  
$string = <<<heredoc 
    <table width="100%" align="center" class="mytable" border="1" cellspacing="1"> 
     <tr><td width="100%"><b>Δ.Ο.Υ. Α' ΑΘΗΝΩΝ (Α',Β',Γ',ΙΕ',ΚΒ') Κ.Α.: 1101</b> Αναξαγόρα 6-8, T.K. 100 10 Αθήνα</a><a name="aa8inon"></a></td></tr> 
     <tr><td width="8%">Προϊστάμενος</td><td width="8%">&nbsp;</td><td width="8%"><b>210</b>-52.72.810, 770</td></tr> 
     <tr><td width="8%">Υποδιευθυντής Φορολογίας</td><td width="8%">&nbsp;</td><td width="8%"><b>210</b>-52.72.804</td></tr> 
     <tr><td width="8%">Υποδιευθυντής Ελέγχου</td><td width="8%"><b>213</b> 1604121</td><td width="8%"><b>210</b>-52.72.807</td></tr> 
    </table> 

    <table width="100%" align="center" class="mytable" border="1" cellspacing="1"> 
     <tr><td width="100%"><b>Δ.Ο.Υ. ΚΑΤΟΙΚΩΝ ΕΞΩΤΕΡΙΚΟΥ Κ.Α.: 1125</b> Μετσόβου 4-T.K. 106 82 Αθήνα</td></tr> 
     <tr><td width="8%">Προϊστάμενος</td><td width="8%"><b>213</b> 1607155</td><td width="8%"><b>210</b>- 8204607</td></tr> 
     <tr><td width="8%">Υποδιευθυντής Φορολογίας</td><td width="8%">&nbsp;</td><td width="8%"><b>210</b>- 8204604</td></tr> 
    </table> 

heredoc; 

$patternTable = "/<table(.+?)table>/s"; // simple regExp for table tags 
$patternTd = '/<td[^>]*>(.+?)<\/td>/s'; // simple regExp for individual tds 

$xml = new SimpleXMLElement('<?xml version="1.0" encoding="UTF-8"?><root/>'); 



preg_match_all($patternTable, $string, $matches); 

for($i=0; $i<sizeof($matches[1]); $i++){ 
    $tds = array(); 
    $attribute = ""; 
    $content = ""; 
    $tagName = ""; 
    preg_match_all($patternTd,$matches[1][$i], $tds); 
    for($j=0; $j<sizeof($tds[1]); $j++){ 
     if($j==0){ // first TD, add as attribute of note, taking the CONTENT of the td 
      $attribute = $tds[1][$j]; 
      $note = $xml->addChild("note"); 
      $note->addAttribute("doy", $attribute); 
     } else { // other tds 
      // there are 3 tds, the first is the name of the tag, the other two the contents 
      if($j %3 == 1){ 
       if($tagName != ""){ 
        $note->addChild($tagName, $tagContent); 
        $tagContent = ""; 
       } 
       $tagName = str_replace(" ", "_", $tds[1][$j]); 
      } else { 
       $tagContent.= $tds[1][$j]; 
      } 
     } 
    } 
    $note->addChild($tagName, $tagContent); // add the last opened node 


} 

$dom = dom_import_simplexml($xml)->ownerDocument; 
$dom->formatOutput = true; 
echo $dom->saveXML();

这个剧本给我的结果是：

<?xml version="1.0" encoding="UTF-8"?> 
<root> 
    <note doy="&lt;b&gt;Δ.Ο.Υ. Α' ΑΘΗΝΩΝ (Α',Β',Γ',ΙΕ',ΚΒ') Κ.Α.: 1101&lt;/b&gt; Αναξαγόρα 6-8, T.K. 100 10 Αθήνα&lt;/a&gt;&lt;a name=&quot;aa8inon&quot;&gt;&lt;/a&gt;"> 
    <Προϊστάμενος>&nbsp;&lt;b&gt;210&lt;/b&gt;-52.72.810, 770</Προϊστάμενος> 
    <Υποδιευθυντής_Φορολογίας>&nbsp;&lt;b&gt;210&lt;/b&gt;-52.72.804</Υποδιευθυντής_Φορολογίας> 
    <Υποδιευθυντής_Ελέγχου>&lt;b&gt;213&lt;/b&gt; 1604121&lt;b&gt;210&lt;/b&gt;-52.72.807</Υποδιευθυντής_Ελέγχου> 
    </note> 
    <note doy="&lt;b&gt;Δ.Ο.Υ. ΚΑΤΟΙΚΩΝ ΕΞΩΤΕΡΙΚΟΥ Κ.Α.: 1125&lt;/b&gt; Μετσόβου 4-T.K. 106 82 Αθήνα"> 
    <Προϊστάμενος>&lt;b&gt;213&lt;/b&gt; 1604121&lt;b&gt;210&lt;/b&gt;-52.72.807&lt;b&gt;213&lt;/b&gt; 1607155&lt;b&gt;210&lt;/b&gt;- 8204607</Προϊστάμενος> 
    <Υποδιευθυντής_Φορολογίας>&nbsp;&lt;b&gt;210&lt;/b&gt;- 8204604</Υποδιευθυντής_Φορολογίας> 
    </note> 
</root>

所有的属性和标签的内容的HTML被转义，因为它不是有效的有内内容的标签。但是，如果您再次打印出来，它会保留您的内容。

请记住，此解决方案使用正则表达式以及SimpleXML和Dom（用于带有换行和缩进的XML的漂亮打印） - 在性能方面它不会很快。如果你想跳过大教堂的一部分，你可以使用的

echo $xml->asXML()

代替

$dom = dom_import_simplexml($xml)->ownerDocument; 
$dom->formatOutput = true; 
echo $dom->saveXML();

希望这有助于。

来源

2013-09-09 09:35:44

首先我应该注意到你想要输出的XML似乎是无效的。

你可以利用优秀的QueryPath库（http://querypath.org/）的最终你，你可以从PHP应用相同的逻辑来使用Javascript（使用jQuery的选择器引擎）

下面是一段代码产生有效的XML从输入（顺便说一句，我的希腊所以它使我更有意义）：

libxml_use_internal_errors(true); 

$html = '<html><head><meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /></head><body><table width="100%" align="center" class="mytable" border="1" cellspacing="1"> 
      <tr><td width="100%"><b>Δ.Ο.Υ. Α\' ΑΘΗΝΩΝ (Α\',Β\',Γ\',ΙΕ\',ΚΒ\') Κ.Α.: 1101</b> Αναξαγόρα 6-8, T.K. 100 10 Αθήνα</a><a name="aa8inon"></a></td></tr> 
      <tr><td width="8%">Προϊστάμενος</td><td width="8%">&nbsp;</td><td width="8%"><b>210</b>-52.72.810, 770</td></tr> 
      <tr><td width="8%">Υποδιευθυντής Φορολογίας</td><td width="8%">&nbsp;</td><td width="8%"><b>210</b>-52.72.804</td></tr> 
      <tr><td width="8%">Υποδιευθυντής Ελέγχου</td><td width="8%"><b>213</b> 1604121</td><td width="8%"><b>210</b>-52.72.807</td></tr> 
     </table> 
     <table width="100%" align="center" class="mytable" border="1" cellspacing="1"> 
      <tr><td width="100%"><b>Δ.Ο.Υ. ΚΑΤΟΙΚΩΝ ΕΞΩΤΕΡΙΚΟΥ Κ.Α.: 1125</b> Μετσόβου 4-T.K. 106 82 Αθήνα</td></tr> 
      <tr><td width="8%">Προϊστάμενος</td><td width="8%"><b>213</b> 1607155</td><td width="8%"><b>210</b>- 8204607</td></tr> 
      <tr><td width="8%">Υποδιευθυντής Φορολογίας</td><td width="8%">&nbsp;</td><td width="8%"><b>210</b>- 8204604</td></tr> 
     </table></body></html>'; 

$results = qp($html, 'table.mytable'); 

$xml = new \SimpleXMLElement('<?xml version="1.0" encoding="UTF-8"?><notes/>'); 

foreach($results as $result) { 
    $note = $xml->addChild("note"); 

    foreach($result->children('tr') as $idx => $tr) { 
    if($idx == 0) { 
     $note->addAttribute("doy", $tr->children('td')->text()); 
     continue; 
    } 

    $tds = $tr->children('td'); 

    foreach($tds as $tidx => $td) { 
     if($tidx == 0) { 
     $person = $note->addChild("person"); 
     $person->addAttribute("title", trim($td->text())); 

     continue; 
     } 

     $phoneValue = $td->text(); 
     $phoneValue = str_replace(array(" ", ".", "-", "\xc2\xa0"), "", $phoneValue); 

     if($phoneValue != '') 
     $phone = $person->addChild("phone", $phoneValue); 
    } 
    } 
} 

$dom = dom_import_simplexml($xml)->ownerDocument; 
$dom->formatOutput = true; 
echo $dom->saveXML();

输出：

<?xml version="1.0" encoding="UTF-8"?> 
    <notes> 
    <note doy="Δ.Ο.Υ. Α' ΑΘΗΝΩΝ (Α',Β',Γ',ΙΕ',ΚΒ') Κ.Α.: 1101 Αναξαγόρα 6-8, T.K. 100 10 Αθήνα"> 
     <person title="Προϊστάμενος"> 
     <phone>2105272810,770</phone> 
     </person> 
     <person title="Υποδιευθυντής Φορολογίας"> 
     <phone>2105272804</phone> 
     </person> 
     <person title="Υποδιευθυντής Ελέγχου"> 
     <phone>2131604121</phone> 
     <phone>2105272807</phone> 
     </person> 
    </note> 
    <note doy="Δ.Ο.Υ. ΚΑΤΟΙΚΩΝ ΕΞΩΤΕΡΙΚΟΥ Κ.Α.: 1125 Μετσόβου 4-T.K. 106 82 Αθήνα"> 
     <person title="Προϊστάμενος"> 
     <phone>2131607155</phone> 
     <phone>2108204607</phone> 
     </person> 
     <person title="Υποδιευθυντής Φορολογίας"> 
     <phone>2108204604</phone> 
     </person> 
    </note> 
    </notes>

请注意：我已将您的html代码包装在<html><head><body>标记中，添加<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />标记以帮助querypath识别编码。如果您需要更多信息，请参阅https://github.com/technosophos/querypath/issues/94。如果您坚持创建您粘贴的问题的XML，则可以相应地更改示例。

此外，的QueryPath奇怪转换 到0xC2 0xA0 (c2a0)（Unicode字符无间断空间）（http://www.fileformat.info/info/unicode/char/a0/index.htm）因而在str_replace

来源

2013-09-11 09:00:05 mobius

@ hek2mgl谨慎解释XSLT如何与我的答案相关？他想要一些PHP/Javascript代码将他的HTML表格转换为XML，他的HTML无效，这让我想起了，就这些。 flup使用下面的XSLT添加了答案，而pm_hce使用了regex。每个人都在这里加2美分。 – mobius 2013-09-15 07:31:33

PHP有内置的xslt支持我会试试这个。 PHP中太多的foreach循环对性能不利 – hek2mgl 2013-09-15 09:39:02

@ hek2mgl你是对的，但是用随机HTML和XSLT挣扎并不是我的一杯茶。（另外：http://www.mememaker.net/meme/if-you-think-you-can-use-xslt-with-some-random-html-page-youre-gonna-have-a-bad-） :) – mobius 2013-09-15 09:46:59

的"\xc2\xa0"可以分析有效的XHTML为XML，并用它转化为所需的XML格式一个XML样式表。由于HTML不是有效的XHTML，您必须先使用工具对其进行整理，例如an online tidy site。如果您需要在运行时执行此操作，则也有php library（与sample code）。

我收拾你在该网站的HTML，并应用以下样式表是：

<?xml version="1.0" encoding="UTF-8"?> 
<xsl:stylesheet version="1.0" 
    xmlns:xsl="http://www.w3.org/1999/XSL/Transform" 
    xmlns:xhtml="http://www.w3.org/1999/xhtml" 
    xmlns:fn="http://www.w3.org/2005/xpath-functions"> 

    <xsl:template match="/xhtml:html/xhtml:body"> 
     <xsl:element name="notes"> 
      <xsl:apply-templates /> 
     </xsl:element> 
    </xsl:template> 

    <xsl:template match="xhtml:table"> 
     <xsl:element name="note"> 
      <xsl:attribute name="doy"> 
       <xsl:value-of select="xhtml:tr[1]/xhtml:td" /> 
      </xsl:attribute> 
      <xsl:for-each select="xhtml:tr[position() != 1]"> 
       <xsl:element name="{translate(xhtml:td,' ','_')}"> 
        <xsl:for-each select="xhtml:td[position() != 1]"> 
         <!-- filter out empty/&nbsp; td elements --> 
         <xsl:if test="normalize-space(translate(.,'&#xc2;&#xa0;',' '))"> 
          <xsl:element name="τηλέφωνο"> 
           <xsl:value-of select="." /> 
          </xsl:element> 
         </xsl:if> 
        </xsl:for-each> 
       </xsl:element> 
      </xsl:for-each> 
     </xsl:element> 
    </xsl:template> 
</xsl:stylesheet>

这产生了：

<notes> 
    <note 
     doy="Δ.Ο.Υ. Α' ΑΘΗΝΩΝ (Α',Β',Γ',ΙΕ',ΚΒ') Κ.Α.: 1101 Αναξαγόρα 6-8, T.K. 100 10 Αθήνα"> 
     <Προϊστάμενος> 
      <τηλέφωνο>210-52.72.810, 770</τηλέφωνο> 
     </Προϊστάμενος> 
     <Υποδιευθυντής_Φορολογίας> 
      <τηλέφωνο>210-52.72.804</τηλέφωνο> 
     </Υποδιευθυντής_Φορολογίας> 
     <Υποδιευθυντής_Ελέγχου> 
      <τηλέφωνο>213 1604121</τηλέφωνο> 
      <τηλέφωνο>210-52.72.807</τηλέφωνο> 
     </Υποδιευθυντής_Ελέγχου> 
    </note> 

    <note 
     doy="Δ.Ο.Υ. ΚΑΤΟΙΚΩΝ ΕΞΩΤΕΡΙΚΟΥ Κ.Α.: 1125 Μετσόβου 4-T.K. 106 82 Αθήνα"> 
     <Προϊστάμενος> 
      <τηλέφωνο>213 1607155</τηλέφωνο> 
      <τηλέφωνο>210- 8204607</τηλέφωνο> 
     </Προϊστάμενος> 
     <Υποδιευθυντής_Φορολογίας> 
      <τηλέφωνο>210- 8204604</τηλέφωνο> 
     </Υποδιευθυντής_Φορολογίας> 
    </note> 
</notes>

一些注意事项：

看来怪异我希望在生成的XML中使用HTML标记。 XML包含数据和数据未格式化为粗体且不包含锚点。
XML元素名称不得包含空格所以我用下划线
必须指定UTF-8整洁网站或它会让非ASCII字符乱码取而代之
我第一次尝试坚持问题的XML格式，直到我看到一个不同的答案，你希望所有的电话号码出现在XML中。因此我给了他们一个单独的周围元素标签。
XML样式表是独立于语言的，有一种方法可以在大多数语言中应用它们。例如在php中，请参阅下面的内容，或者在javascript中，甚至在浏览器中，因为您可以使用此样式表来提供.xhtml，然后浏览器将呈现XML。但是通常会以相反的方式完成，为XML数据创建HTML表示。我不确定何时何地需要创建XML。

示例PHP代码：

<?php 
$xhtml_file = 'doc.xhtml'; 
$xsl_file = 'doc.xsl'; 
$doc = new DOMDocument(); 
$xsl = new XSLTProcessor(); 

$doc->load($xsl_file); 
$xsl->importStyleSheet($doc); 

$doc->load($xhtml_file); 
echo $xsl->transformToXML($doc); 
?>

来源

2013-09-14 11:08:45 flup

如何将此HTML表格转换为XML？

回答

相关问题