Какой HTML Parser (желательно PHP) поддерживает получение смещения текущего node во входной строке?

Я ищу анализатор HTML или XML, который позволяет получить доступ к смещению/позиции текущего элемента в строке ввода .

Я ищу способ получить начальную позицию (включая пробелы) каждого тега <p>, здесь: 7 и 72.

Было бы здорово, если бы PHP-парсер поддерживал это изначально (я смотрел DOM, XMLReader и другие библиотеки, упомянутые в этом вопросе SO, но не нашли способ сделать это), но в противном случае любой язык/структура будет в порядке.

Примечание. Связано с этим вопросом, но менее локализовано.

Ответы

Ответ 1

Возможно, вы могли бы использовать Generic XML parser class (также на github).
Согласно описанию автора:

Проводит произвольный ввод XML и строит массив со структурой всех элементов тега и данных.
Он может проверять и извлекать данные из целого документа XML всего за один раз. Он поддерживает валидацию общих типов значений тегов и может выполнять выборочные проверки с использованием подкласса.
Необязательно, отслеживает позиции каждого элемента, чтобы можно было определить точное местоположение элементов, которые могут быть контекстуально ошибочными.
Поддерживает анализируемый кеш файлов, чтобы минимизировать накладные расходы при регулярном анализе одного и того же файла.
Оптимизированный синтаксический анализ упрощенных форматов XML (SML), игнорирующих атрибуты тега.
Проверять и извлекать данные из целого XML-документа с помощью одного вызова функции

Я тестировал его с помощью этого кода:

<?php

require('xml_parser.php');

$file_name = 'test.xml';
$error = XMLParseFile($parser, $file_name, 1, $file_name.'.cache');

foreach ($parser->structure as $key => $val) {
    if (is_array($val) && isset($val['Tag']) && !strcasecmp($val['Tag'], 'p')) {
        print_r($parser->positions[$key]);
    }
}

?>

Файл test.xml содержит ваш образец HTML-фрагмента.
Запустив script из командной строки, я получаю этот вывод:

Array
(
    [Line] => 2
    [Column] => 7
    [Byte] => 12
)
Array
(
    [Line] => 3
    [Column] => 7
    [Byte] => 80
)

Итак, поле Byte - это, вероятно, то, что вы ищете.
Чтобы лучше понять, как это работает, посмотрите также исходный код.

Ответ 2

Если вы не против кодирования в Java (после Java-кода есть решение в PHP), вы можете использовать метод indexOf в классе String, получив смещение, если этот токен.

Вот пример:

class Index {
    public static void main ( String [] args )
    {   
        String token = "<p>";
        String input = "<p> hola </p> <p> adios </a>";
        int beginIdx = -1; 
        while ( (beginIdx = input.indexOf( token, beginIdx + 1 )) != -1 ) {                                                                                                                                         
            System.out.println( "Token at: " + beginIdx );
        }   
    }   
}

И результат:

Token at: 0
Token at: 14

В PHP есть аналогичная функция:

int strrpos ( string $haystack , string $needle [, int $offset = 0 ] )

Вы можете быстро просмотреть страницу "man" (он содержит несколько примеров): http://php.net/manual/es/function.strrpos.php