如何基于语义使用PHP将HTML转换为XML？

HTML到XML语义化转换的PHP实现方案 #

我来帮你搞定这个基于语义层级的HTML转XML问题，用PHP的话，我们可以借助原生的DOMDocument扩展来解析HTML结构，再根据标题层级（h1→h2）构建对应的XML节点，下面是完整的思路和代码示例：

核心思路

1. 解析HTML：用DOMDocument加载目标HTML，处理可能的不规范HTML导致的解析警告；
2. 跟踪层级关系：维护一个节点栈，用来记录当前处于哪个层级的标题节点（比如h1对应根topic，h2对应其子节点sub_topic）；
3. 构建XML结构：遍历HTML节点，将h1/h2转换为带标题属性的XML节点，将段落p转换为对应标题节点下的内容节点；
4. 输出格式化XML：开启XML的格式化输出，让结果更易读。

完整代码示例

<?php
// 示例输入HTML（你可以替换成实际的HTML内容）
$htmlContent = '<h1>Topic 1</h1> 
<p>Introduction content for Topic 1...</p> 
<h2>Topic 1.1</h2> 
<p>First paragraph under Topic 1.1...</p> 
<p>Second paragraph under Topic 1.1...</p> 
<h2>Topic 1.2</h2> 
<p>Content block for Topic 1.2...</p>';

// 初始化HTML解析器，处理不规范HTML
$htmlDoc = new DOMDocument();
libxml_use_internal_errors(true); // 禁用解析警告
$htmlDoc->loadHTML($htmlContent);
libxml_clear_errors(); // 清空错误缓存

// 初始化XML文档，设置编码和格式化输出
$xmlDoc = new DOMDocument('1.0', 'UTF-8');
$xmlDoc->formatOutput = true;

// 节点栈：跟踪当前所在的XML层级节点
$nodeStack = [];

// 遍历HTML的body子节点（所有内容节点）
$body = $htmlDoc->getElementsByTagName('body')->item(0);
foreach ($body->childNodes as $htmlNode) {
    // 跳过非元素节点（比如空白文本节点）
    if ($htmlNode->nodeType !== XML_ELEMENT_NODE) continue;

    switch ($htmlNode->tagName) {
        case 'h1':
            // 创建根topic节点，设置title属性
            $topicNode = $xmlDoc->createElement('topic');
            $topicNode->setAttribute('title', trim($htmlNode->nodeValue));
            $xmlDoc->appendChild($topicNode);
            // 更新栈：当前层级为根topic
            $nodeStack = [$topicNode];
            break;
        case 'h2':
            // 确保存在父节点（栈不为空）
            if (!empty($nodeStack)) {
                $subTopicNode = $xmlDoc->createElement('sub_topic');
                $subTopicNode->setAttribute('title', trim($htmlNode->nodeValue));
                // 将子节点添加到当前栈顶的父节点下
                $nodeStack[count($nodeStack)-1]->appendChild($subTopicNode);
                // 更新栈：当前层级为sub_topic
                $nodeStack[] = $subTopicNode;
            }
            break;
        case 'p':
            // 将段落内容转为content节点，添加到当前层级节点下
            if (!empty($nodeStack)) {
                $contentNode = $xmlDoc->createElement('content');
                $contentNode->nodeValue = trim($htmlNode->nodeValue);
                $nodeStack[count($nodeStack)-1]->appendChild($contentNode);
            }
            break;
        // 可扩展：添加h3/h4等层级的处理逻辑
    }
}

// 输出最终XML
echo $xmlDoc->saveXML();
?>

代码说明

• HTML容错处理：通过libxml_use_internal_errors(true)避免不规范HTML抛出警告，保证解析流程正常；
• 层级跟踪：$nodeStack数组记录当前的XML节点层级，确保段落能正确归属到对应的标题下；
• 语义映射：严格按照HTML的标题层级映射XML结构，h1→<topic>，h2→<sub_topic>，p→<content>，完全贴合语义需求。

内容的提问来源于stack exchange，提问作者forgodsakehold