PHP 5.4.16 DOMDocument 删除了部分 Javascript

Question

我尝试将 HTML 页面从远程服务器加载到 PHP 脚本中，该脚本应该使用 DOMDocument 类来操作 HTML。但我已经看到，DOMDocument 类删除了 HTML 页面附带的 Javascript 的某些部分。有一些类似的东西：

<script type="text/javascript">
//...
function printJSPage() {
    var printwin=window.open('','haha','top=100,left=100,width=800,height=600');
    printwin.document.writeln(' <table border="0" cellspacing="5" cellpadding="0" width="100%">');
    printwin.document.writeln(' <tr>');
    printwin.document.writeln(' <td align="left" valign="bottom">');
    //...
    printwin.document.writeln('</td>');
    //...
}
</script>

但是 DOMDocument 发生了变化，即行

printwin.document.writeln('</td>');

到

printwin.document.writeln(' ');

还有很多其他的东西（即最后一个脚本标签不再存在。结果我得到了一个完全被破坏的页面，我无法进一步发送。

所以我认为，DOMDocument 在 Javascript 代码中的 HTML 标记存在问题，并尝试更正代码，以生成格式良好的文档。我可以阻止 DOMDocument 中的 Javascript 解析吗？

PHP代码片段是：

$stdin = file_get_contents('php://stdin');
$dom = new \DOMDocument();
@$dom->loadHTML($stdin);
return $dom->saveHTML();   // will produce wrong HTML
//return $stdin;           // will produce correct HTML

我存储了两个 HTML 版本，并与 Meld 进行了比较。

我也测试过

@$dom->loadXML($stdin);
return $dom->saveHTML();

但我没有从对象中得到任何东西。

Answer 1

这里有一个可能有用的技巧。想法是将脚本内容替换为保证是有效 HTML 且唯一的字符串，然后将其替换回来。

它将脚本标签内的所有内容替换为这些内容的MD5，然后将它们替换回来。

$scriptContainer = [];
$str = preg_replace_callback ("#<script([^>]*)>(.*?)</script>#s", function ($matches) use (&$scriptContainer) {
     $scriptContainer[md5($matches[2])] = $matches[2];
        return "<script".$matches[1].">".md5($matches[2])."</script>";
    }, $str);
$dom = new \DOMDocument();
@$dom->loadHTML($str);
$final = strtr($dom->saveHTML(), $scriptContainer); 

这里的strtr 只是因为数组的格式化方式很方便，使用str_replace(array_keys($scriptContainer), $scriptContainer, $dom->saveHTML()) 也可以。

我发现 PHP 不能正确解析 HTML 内容非常令人惊讶。相反，它似乎正在解析 XML 内容（也是错误的，因为 CDATA 内容是被解析的，而不是被逐字处理）。然而它就是这样，如果你想要一个真正的文档解析器，那么你可能应该使用jsdom 来研究 Node.js 解决方案

Answer 2

如果您在<script> 中有<script>，则以下（不太聪明）解决方案将处理该问题。还有一个问题：如果<script>标签不平衡，解决方案就行不通。如果您的 Javascript 使用 String.fromCharCode 打印字符串 </script>，则可能会发生这种情况。

$scriptContainer = array();

function getPosition($tag) {
    return $tag[0][1];
}

function getContent($tag) {
    return $tag[0][0];
}

function isStart($tag) {
    $x = getContent($tag);
    return ($x[0].$x[1] === "<s");
}

function isEnd($tag) {
    $x = getContent($tag);
    return ($x[0].$x[1] === "</");
}

function mask($str, $scripts) {
    global $scriptContainer;

    $res = "";
    $start = null;
    $stop = null;
    $idx = 0;

    $count = 0;
    foreach ($scripts as $tag) {

            if (isStart($tag)) {
                    $count++;
                    $start = ($start === null) ? $tag : $start;
            }

            if (isEnd($tag)) {
                    $count--;
                    $stop = ($count == 0) ? $tag : $stop;
            }

            if ($start !== null && $stop !== null) {
                    $res .= substr($str, $idx, getPosition($start) - $idx);
                    $res .= getContent($start);
                    $code = substr($str, getPosition($start) + strlen(getContent($start)), getPosition($stop) - getPosition($start) - strlen(getContent($start)));
                    $hash = md5($code);
                    $res .= $hash;
                    $res .= getContent($stop);

                    $scriptContainer[$hash] = $code;

                    $idx = getPosition($stop) + strlen(getContent($stop));
                    $start = null;
                    $stop = null;
            }
    }

    $res .= substr($str, $idx);
    return $res;
}

preg_match_all("#\<script[^\>]*\>|\<\/script\>#s", $html, $scripts, PREG_OFFSET_CAPTURE|PREG_SET_ORDER);
$html = mask($html, $scripts);

libxml_use_internal_errors(true);
$dom = new DOMDocument();
$dom->loadHTML($html);
libxml_use_internal_errors(false);

// handle some things within DOM

echo strtr($dom->saveHTML(), $scriptContainer);

如果您将preg_match_all 中的“script”字符串替换为“style”，您还可以屏蔽 CSS 样式，它也可以包含标签名称（即在 cmets 中）。