简单的 HTML DOM 解析器不解析 <body> 标签答案

【问题标题】：SImple HTML DOM parser not parsing <body> tag简单的 HTML DOM 解析器不解析 <body> 标签
【发布时间】：2016-03-23 10:34:31
【问题描述】：

我正在使用这个 simple_html_dom 解析器来尝试解析外部 url。我可以在大多数页面上正确使用它。

但是，当我尝试解析网站时 http://talksport.com/football/atletico-madrid-beat-arsenal-and-west-ham-signing-portuguese-wonderkid-diogo-jota

解析器无法识别 html 中的

标签。

require 'simple_html_dom.php';

$html = file_get_html('http://talksport.com/football/atletico-madrid-beat-arsenal-and-west-ham-signing-portuguese-wonderkid-diogo-jota');

// Find any tag for eg. <div>
$tag = $html->find('div',0);
var_dump($tag);

我得到 null 作为结果。

我试图弄清楚为什么会发生这种情况并发现

$x = $html->find('html',0)->children();

$x 只有一个子标签，即

标签。标签根本不被解析。

以前有人遇到过这样的问题吗？请帮忙。

【问题讨论】：

标签： php simple-html-dom

【解决方案1】：

该网站的 HTML 存在许多问题。见W3 HTML validation report：

错误 已看到结束标记div，但存在开放元素。
从第 134 行第 47 列开始；到第 134 行，第 52 列
n Live</p></div>?             <
错误：未闭合元素a。
从第 133 行第 5 列开始；到第 133 行，第 90 列
</h2>?                <a href="/live" class="listenLiveButtonTrigger" onclick="listenLive(1);return false;">?                 

...等等

提到了重复的 id 值、杂散的结束标签、无效的属性、使用子样式标签……以及更多问题。

我认为简单的 HTML DOM 解析器只是迷失在所有这些混乱中。

【讨论】：

【解决方案2】：

我建议你使用 DOMDocument 类和 cURL，像这样：

$url = "http://talksport.com/football/atletico-madrid-beat-arsenal-and-west-ham-signing-portuguese-wonderkid-diogo-jota";

$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
$curlReturn = curl_exec($ch);

$html = new DOMDocument();
$html->loadHTML($curlReturn);
$body = $html->getElementsByTagName("body");

curl_close($ch);

它比简单的解析器更强大。 http://php.net/manual/en/class.domdocument.php http://php.net/manual/en/book.curl.php

【讨论】：

DOMDocument 给了我很多警告，因为 html 格式不正确。例如。 DOMDocument::loadHTML(): 结束标签：预期 '>'在实体中，行：132
谢谢。想出了如何使用 libxml_use_internal_errors 禁用警告