以前解析html都是使用正则表达式，但是用起来比较麻烦。现在开始使用php的tidy库。
示例如下： 摘自：http://us3.php.net/tidy.root
<?php $html = <<< HTML paragraph HTML; $tidy = tidy_parse_string($html); dump_nodes($tidy->root(), 1); function dump_nodes($node, $indent) { if($node->hasChildren()) { foreach($node->child as $child) { echo str_repeat('.', $indent*2) . ($child->name ? $child->name : '"'.$child->value.'"'). "\n"; dump_nodes($child, $indent+1); } } } ?>
要注意的一点是，对于GBK编码的HTML需要先转换编码为UTF8的，然后使用
$tidy = new tidy; $tidy ->parseString($html, array(), 'utf8');
来解析。
====后续分割线===
最近又使用一种新的方法来解析html，当然还是用php。
使用一个叫做PHP Simple HTML DOM Parser的类。感谢某同学的帮助。
英文链接地址：http://simplehtmldom.sourceforge.net/
中文链接地址：http://phpdom.comsing.com/
这个类使用起来非常方便，单就解析html这一点来说，比tidy好用。而且文档齐全，简单易懂。
示例如下：
$html = new simple_html_dom(); $html->load($content); $result = array(); foreach($html->find('a') as $a){ $img = $a->find('img', 0); if(isset($a->href) && isset($img->src)){ $result[] = array( 'href' => $a->href, 'src' => $img->src, ); } }