使用PHP DOMDocument难以解析脏的html代码

我希望能够加载任何html文档并使用php的domdocument功能对其进行编辑。
问题是，有些网站（例如facebook）会将XML样式的名称空间添加到其标签中。使用PHP DOMDocument难以解析脏的html代码

<fb:like send="true" width="450" show_faces="true"></fb:like>

DOMDocument对脏代码非常宽容，但它不会接受html代码中的namescpaces。什么情况是：

如果我使用loadHTML加载代码，名称空间将得到剥离出来，但我需要它留
如果我使用的loadXML加载代码，我会得到吨的错误是状态我没有加载有效的XML

所以我的想法是将我得到的html转换成XML，以便我可以使用loadXML解析它。我的问题是，我该如何做到这一点，我应该使用哪种工具（我听说过Tidy，但我无法让它工作），还是使用不同的解析器（一种可以处理html中的名称空间的解析器代码）

代码片段：

<?php 
$html = file_get_contents($_POST['url']); 

$domDoc = new DOMDocument(); 
$domDoc->loadHTML($html); 

//Just do anything here. It doesn't matter what. For example I'm deleting the head tag 
$headTag = $domDoc->getElementsByTagName("head")->item(0); 
$headTagParent = $headTag->parentNode; 
$headTagParent->removeChild($headTag); 

echo $domDoc->saveHTML(); 

//This will work as expected for any url EXCEPT the ones that use XML namespaces like facebook does as described above. In case of such dirty coding the namespace will get deleted by DOMDocument

来源

2015-05-07 Syndace

可能重复（http://stackoverflow.com/questions/30076922/convert-html-code-to-doc-using-php- [使用PHP和PHPWord转换HTML代码DOC]和-phpword） –

请编辑你的问题，并添加一个HTML/XML的最低范例。 – michi

@Varun Naharia我很抱歉，但这并没有帮助我。那对我的问题没有答案。 – Syndace

有没有干净的方式来解析使用的DOMDocument不失命名空间的命名空间HTML，但也有一些解决方法：

使用另一个接受HMTL代码中名称空间的解析器。查看here，了解HTML解析器的一个很好的详细列表。这可能是最有效的方法。
如果你想坚持DOMDocument，你基本上必须预先和后处理代码。
- 之前，你的代码发送到上一层> loadHTML，使用正则表达式，循环或任何你想找到的所有命名空间的标签和一个自定义属性添加到包含命名空间的开放标签。然后
```
<fb:like send="true" width="450" show_faces="true"></fb:like> 
```
  将导致
```
<fb:like xmlNamespace="fb" send="true" width="450" show_faces="true"></fb:like> 
```
- 现在请编辑的代码到上一层> loadHTML。它会带出的命名空间，但它会继续属性导致
```
<like xmlNamespace="fb" send="true" width="450" show_faces="true"></like> 
```
- 现在（再次使用正则表达式，环或任何你想要的）找到属性XML命名空间的所有标签，更换与实际命名空间的属性。不要忘记还要将名称空间添加到结束标记中！的

来源

2015-05-10 07:49:00 Syndace

使用PHP DOMDocument难以解析脏的html代码

回答

相关问题