DOMDocument 的 [documentElement] 包含虚假内容，而 [textContent] 包含页面的所有文本

Question

我试图从 HTML 页面中选择内容。问题是DOMDocument($html) 的结果在其“[documentElement]”节点中没有元素。然而，HTML 页面的所有文本（不包括 HTML 标记）都在 [textContent] 内。 这就是我制作DOMDocument 对象的方式：

$doc = new DOMDocument();
libxml_use_internal_errors(true);
$html = file_get_contents("https://example.com");
$doc->loadHTML($html);

这是输出的对象：

DOMDocument Object (
[doctype]=> (object value omitted)
[implementation]=> (object value omitted)
[documentElement]=> (object value omitted)
[actualEncoding]=> utf-8
[encoding]=> utf-8
[xmlEncoding]=> utf-8
[standalone]=> 1
[xmlStandalone]=> 1
[version]=>
[xmlVersion]=>
[strictErrorChecking]=> 1
[documentURI]=>
[config]=>
[formatOutput]=>
[validateOnParse]=>
[resolveExternals]=>
[preserveWhiteSpace]=> 1
[recover]=>
[substituteEntities]=>
[nodeName]=> #document
[nodeValue]=>
[nodeType]=> 13
[parentNode]=>
[childNodes]=> (object value omitted)
[firstChild]=> (object value omitted)
[lastChild]=> (object value omitted)
[previousSibling]=>
[nextSibling]=>
[attributes]=>
[ownerDocument]=>
[namespaceURI]=>
[prefix]=>
[localName]=>
[baseURI]=>
[textContent]=> blah blah blah

这样我就不能遍历 HTML 的标签并选择特定的内容。甚至new DOMXpath($doc) 也不会返回有用的内容，我认为这是因为DOMXpath($doc) 取决于[documentElement] 对象的[documentElement] 节点。这是var_dump(new DOMXpath($doc));的输出

object(DOMXPath)#2 (1) { ["document"]=> string(22) "(object value omitted)" }

我尝试了 curl 和 file_get_contents 两种方法来获取 HTML 内容，并且确信 HTML 内容是正确的（我能够通过 print_r($html) 在 PHP 文件中复制 HTML 页面。另外，我已经在 StackOverflow 上阅读了几个答案，但无法解决问题。

Answer 1

printr 和 DOMDocument 不是特别有用，信息在那里，但显示得不是很好（(object value omitted) 是提示）。

如果相反，您开始使用 DOMDocument 方法，saveHTML 或 saveXML。他们将为您格式化实际内容... 如果你尝试

$html = file_get_contents("https://example.com");
$doc->loadHTML($html);
echo "print_r()...";
print_r($doc);
echo "saveHTML()...";
echo $doc->saveHTML();

你应该看到区别了。

需要指出的一点是，要从特定点（例如从 XPath 结果）输出，您使用

echo $doc->saveHTML( $xpResultNode );

编辑：使用更具体的代码：

$doc = new DOMDocument();
$html = file_get_contents("https://example.com");
$doc->loadHTML($html);
$xp = new DOMXpath($doc);
$node = $xp->query('//*[@id="datacontainer"]/div[2]/table/tbody/tr[3]/td[4]/table/tr[2]/td');
echo $doc->saveHTML($node[0]);

我稍微修改了 XPath 查询，因为表的最后一级没有 tbody 标记。