Le langage PHP
Partie 5 sur 5
11Lire un document XML
Le langage XML (eXtensible Markup Language, « langage à balises extensibles ») est un métalangage : il permet de définir ses propres balises, et donc de séparer le contenu d’un document de sa présentation (voir XML et JSON). Pour le lire, il faut un analyseur syntaxique (parseur en anglais) : un programme qui vérifie que le document est bien formé et le met à disposition de l’application. L’extension XML de PHP est fondée sur la bibliothèque expat, activée à l’installation par l’option --with-xml.
11.1Deux façons de lire
Les analyseurs se répartissent en deux approches. L’approche hiérarchique (le modèle DOM, Document Object Model) construit en mémoire un arbre d’objets représentant tout le document. L’approche par événements (le modèle SAX, Simple API for XML) lit le document de haut en bas et signale chaque étape : début d’un élément, fin d’un élément, texte rencontré. Pour le petit document <debut>Bienvenue</debut>, un analyseur par événements signale trois événements : début de l’élément « debut », texte « Bienvenue », fin de l’élément. Cette extension fonctionne ainsi : on lui associe des fonctions de réaction (des gestionnaires) avec xml_set_element_handler (début et fin d’élément), xml_set_character_data_handler (texte), xml_set_processing_instruction_handler (instructions de traitement), xml_set_notation_decl_handler, xml_set_external_entity_ref_handler (appel à une entité externe, voir plus bas) et xml_set_default_handler (tous les événements restants).
11.2Le déroulé
- Créer l’analyseur :
$p = xml_parser_create();. - Définir les fonctions de réaction, dont le nombre et l’ordre des paramètres sont imposés (pour l’ouverture d’un élément : l’analyseur, le nom de la balise, un tableau de ses attributs).
- Les associer à l’analyseur, et régler les options avec
xml_parser_set_option(la « mise en majuscules » des noms de balises est active par défaut : il est recommandé de la maîtriser, car XML distingue majuscules et minuscules ; l’encodage peut être choisi). - Ouvrir le fichier et le lire par blocs que l’on passe à
xml_parse, qui renvoiefalsesi le document est mal formé. - En cas d’erreur,
xml_error_stringetxml_get_current_line_numberdonnent le message et la ligne fautive. - Libérer l’analyseur :
xml_parser_free.
Un exemple long portait sur les entités externes : une déclaration comme <!ENTITY entite SYSTEM "externe.xml"> demande d’importer le contenu d’un autre fichier, et le gestionnaire correspondant devait aller l’ouvrir. Cet exemple utilisait aussi la fonction each() (supprimée dans PHP 8).
11.3Les outils actuels
Cette extension existe toujours, mais on lui préfère trois outils. SimpleXML lit un document comme un objet que l’on parcourt avec des flèches ($doc->element->sous), très commode pour les petits fichiers. DOMDocument propose le modèle hiérarchique complet. XMLReader lit en flux, sans tout charger en mémoire, pour les gros fichiers. Pour échanger des données entre applications, le format JSON, plus léger, a largement remplacé XML : json_decode() et json_encode() sont courantes.
Un risque est lié aux entités externes : un document XML venu de l’extérieur peut demander à votre programme d’aller lire un fichier local ou une adresse interne. C’est la faille dite XXE (XML External Entity). Les versions récentes de PHP et de sa bibliothèque d’analyse la désactivent par défaut ; ne la réactivez jamais pour des documents que vous ne maîtrisez pas.
Pour s’exercer
Exercice 7 : choisir la bonne lecture XML
Vous devez lire un petit fichier de configuration XML de quelques lignes, puis un export de plusieurs gigaoctets. Quels outils choisir ?
Voir la réponse
Pour le petit fichier, SimpleXML (ou DOMDocument) : on charge tout en mémoire et on parcourt. Pour l’export volumineux, XMLReader (lecture en flux) ou l’extension par événements : on traite l’élément en cours sans garder tout le document en mémoire. Dans les deux cas, ne jamais traiter un fichier d’origine inconnue avec les entités externes activées.
12Un moteur de recherche pour son site
On peut fabriquer un moteur de recherche simple, qui ne gère qu’un seul mot-clé, pour un petit site. Le principe : un premier script indexe le site, un second interroge l’index.
12.1L’indexation par les balises meta
Chaque page du site à indexer devait contenir des balises meta (des informations d’en-tête invisibles) : une balise keywords avec les mots-clés, une balise title avec le titre, et une balise ROBOTS. Cette dernière indique si la page doit être indexée (all) ou non (none). Les moteurs du Web de l’époque (Google, Yahoo!, AltaVista, Voilà) lisaient les mêmes balises. Une remarque importante : Google a annoncé en 2009 qu’il n’utilise plus la balise keywords pour classer les pages, et elle est ignorée aujourd’hui (voir le référencement). La consigne d’exclusion s’écrit désormais noindex (voir rechercher sur Internet). Mais, pour un petit moteur interne, l’idée d’indexer des champs choisis reste valable.
Le script de création de la table search avait quatre champs : le lien (adresse de la page), les mots-clés, le titre et un identifiant clé primaire. Le script d’indexation vidait l’ancienne table, puis parcourait le site avec une fonction récursive (qui s’appelle elle-même) : pour chaque dossier, elle descend dedans ; pour chaque fichier .htm ou .html, elle lit les balises meta avec get_meta_tags, ignore la page si ROBOTS vaut « none », sinon enregistre en base le lien, les mots-clés en majuscules et le titre.
12.2La recherche
La recherche se faisait avec un formulaire d’un champ « Mot » envoyé en POST, et un script qui refusait un mot vide (ou « % »), comptait les enregistrements dont les mots-clés ou le titre contiennent la chaîne (LIKE "%$Mot%"), affichait « Aucun résultat » s’il n’y en avait pas, un message au singulier si un seul résultat, au pluriel sinon, puis la liste triée par titre avec des liens. On pouvait ajouter la recherche par plusieurs mots-clés et adapter la présentation.
Le code d’origine contenait des failles : la valeur du visiteur était insérée telle quelle dans la requête (injection SQL), il dépendait de variables globales supprimées, et il n’échappait pas les caractères % et _, qui ont un sens spécial dans LIKE. La version actuelle passe le mot par une requête préparée (partie 7.2), échappe l’affichage (partie 4.2) et valide la longueur. Pour de vrais besoins, les bases de données offrent la recherche en texte intégral (par exemple l’index FULLTEXT de MySQL) et des moteurs spécialisés (Meilisearch, Elasticsearch, OpenSearch) qui classent les résultats par pertinence.
13Le PHP d’aujourd’hui
13.1Un langage plus rigoureux
PHP 7 et 8 ont nettoyé le langage. On peut maintenant déclarer des types : function ajouter(int $a, int $b): int, et activer un mode strict qui refuse les conversions silencieuses. On dispose de types multiples (int|string), de valeurs énumérées (enum), de propriétés en lecture seule, d’arguments nommés (ajouter(a: 1, b: 2)), de l’expression match (un switch plus strict), de l’opérateur « nullsafe » ?-> et de l’attribution de valeurs de repli avec ??. Le problème d’origine de PHP, des comparaisons qui donnaient des résultats surprenants (« abc » égal à 0 dans les anciennes versions), a été en grande partie corrigé en PHP 8 ; utilisez toujours l’égalité stricte ===.
Autre changement : les expressions régulières. Les fonctions ereg et eregi sont remplacées par la famille preg_* (par exemple preg_match), fondée sur la bibliothèque PCRE (expressions régulières « compatibles Perl »).
13.2Un écosystème d’outils
Depuis 2012, Composer installe et met à jour les bibliothèques d’un projet à partir d’un fichier de description. Des normes communes de programmation (appelées PSR) permettent à ces bibliothèques de fonctionner ensemble. Des cadres de développement comme Laravel et Symfony fournissent la structure d’une application : routage, accès aux données, gestion des utilisateurs, protections contre les attaques courantes (voir les frameworks web). Les gestionnaires de contenu comme WordPress et Drupal sont aussi écrits en PHP. Les tests automatiques (PHPUnit) et les outils d’analyse statique (PHPStan, Psalm) trouvent des erreurs sans exécuter le code.
13.3Quand ne pas choisir PHP
PHP est un excellent choix pour un site web classique : hébergement abondant, peu cher, communauté immense. Il est moins adapté aux programmes qui restent en mémoire pour une tâche longue ou aux traitements très gourmands, même si des outils existent. Pour un service qui échange beaucoup de messages en parallèle, d’autres langages seront préférés (voir Python, Go, Java).