修复 HTML 片段答案

【问题标题】：Fix HTML fragment修复 HTML 片段
【发布时间】：2011-06-01 11:28:41
【问题描述】：

我正在尝试学习如何使用PHP's DOM functions。作为练习，我想修复无效的 HTML 片段。到目前为止，我已经能够生成一个完整文档：

<?php

$fragment = '<div style="font-weight: bold">Lorem ipsum <div>dolor sit amet,
    <strong><em class=foo>luptate</strong></em>. Excepteur proident,
    <div class="bar">sunt in culpa</div> officia est laborum.';

$doc = new DOMDocument;
libxml_use_internal_errors(TRUE);
$doc->loadHTML($fragment);
libxml_use_internal_errors(FALSE);
$doc->formatOutput = TRUE;
echo $doc->saveHTML();

?>

... 打印：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body><div style="font-weight: bold">Lorem ipsum <div>dolor sit amet,
    <strong><em class="foo">luptate</em></strong>. Excepteur proident,
    <div class="bar">sunt in culpa</div> officia est laborum.</div>
</div></body></html>

我的问题：

有没有办法只打印与原始片段对应的 HTML？
是否有更适合此类任务的内置库？

【问题讨论】：

标签： php html dom html-parsing

【解决方案1】：

您可以运行一个函数来替换您不希望总是出现的部分，例如：

$result = $doc->saveHTML();
$result = str_replace('<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd"><html><body>', '', $result);
$result = str_replace('</body></html>', '', $result);

你总是可以试试这个课程：

http://www.barattalo.it/html-fixer/

这显然会像这样简单：

$dirty_html = ".....bad html here......";

$a = new HtmlFixer();
$clean_html = $a->getFixedHtml($dirty_html);

这完全取决于您将如何处理这些信息。

【讨论】：

使用字符串函数处理最终输出有点超过了使用 DOM 的目的；-) 感谢您提供链接，但正如我所说，这只是一个练习，所以我可以学习。

【解决方案2】：

嗯，PHP >= 5.1 显然也有一个DocumentFragment，它有一个appendXML 函数：http://php.net/manual/en/domdocumentfragment.appendxml.php。也许你可以使用它？我不确定它是否有自己的字符串表示，但谁知道呢。

编辑：

好吧，那行不通:)

不过，您可以做的是直接使用 SimpleXML，或者通过创建DOMElement 然后使用simplexml_import_dom($domelement)->asXML()：http://php.net/manual/en/function.simplexml-import-dom.php。祝你好运！ :)

【讨论】：

是的，DocumentFragment 看起来很有希望，但我也无法使用它。 SimpleXML 会根据我的判断生成完整的文档。

【解决方案3】：

这应该可以，但有点难看

$doc->loadHTML($fragment);
echo simplexml_import_dom( $doc->getElementsByTagName('div')->item(0) )->asXML();

输出：

<div style="font-weight: bold">Lorem ipsum <div>dolor sit amet,
  <strong><em class="foo">luptate</em></strong>. Excepteur proident,
    <div class="bar">sunt in culpa</div> officia est laborum.</div></div>

稍微优雅一点

$xpath   = new DOMXPath($doc);
$query   = '/html/body/*';        <-- always <html><body>...
$entries = $xpath->query($query);
foreach ($entries as $entry)
{
  echo simplexml_import_dom($entry)->asxml();
}

【讨论】：

我认为没有直接的机制（例如，DOMNode::outerHTML() 方法），您必须自己编写。第一种方法采用特定的结构，但第二种方法效果很好（尽管我将一些新行字符转换为 HTML 实体，这并不是严格错误，但它很丑）。
同意，这可能有帮助，也可能没有帮助preserveWhiteSpace

【解决方案4】：

似乎最新的 PHP 版本终于实现了这个：

How to return outer html of DOMDocument?

这样我们就可以做到：

if( version_compare(PHP_VERSION, '5.3.6', '>=') ){
    $body = $dom->documentElement->firstChild;
    if( $body->hasChildNodes() ){
        foreach($body->childNodes as $node){
            echo $dom->saveHTML($node);
        }
    }
}

...或者这个：

if( version_compare(PHP_VERSION, '5.3.6', '>=') ){
    $body = $dom->getElementsByTagName('body')->item(0);
    if( $body->hasChildNodes() ){
        foreach($body->childNodes as $node){
            echo $dom->saveHTML($node);
        }
    }
}

太糟糕了，我们仍然需要一个针对旧版本的丑陋解决方法。

【讨论】：