更新

Question

我正在使用XPath操作一个简短的HTML代码段;当我使用$ doc-＆gt; saveHTML（）输出更改后的代码段时，会添加DOCTYPE，并且HTML / BODY标记会包装输出。我想删除它们，但只使用DOMDocument函数将所有子项保留在内部。例如：

$doc = new DOMDocument();
$doc->loadHTML('<p><strong>Title...</strong></p>
<a href="http://www....."><img src="http://" alt=""></a>
<p>...to be one of those crowning achievements...</p>');
// manipulation goes here
echo htmlentities( $doc->saveHTML() );

这会产生：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" ...>
<html><body>
<p><strong>Title...</strong></p>
<a href="http://www....."><img src="http://" alt=""></a>
<p>...to be one of those crowning achievements...</p>
</body></html>

我尝试了一些简单的技巧，例如：

# removes doctype
$doc->removeChild($doc->firstChild);

# <body> replaces <html>
$doc->replaceChild($doc->firstChild->firstChild, $doc->firstChild);

到目前为止，只删除DOCTYPE并用BODY替换HTML。然而，剩下的是身体＆gt;此时可变数量的元素。

我如何删除<body>标记，但保留所有的子标记，因为它们的结构可变，并且使用PHP的DOM操作以干净利落的方式进行？

Answer 1

更新

这是一个不扩展DOMDocument的版本，但我认为扩展是正确的方法，因为您正在尝试实现未内置于DOM API的功能。

注意：我正在将“干净”和“没有解决方法”解释为保持对DOM API的所有操作。一旦你点击字符串操作，这就是解决方法领域。

我正在做的事情，就像在原始答案中一样，利用DOMDocumentFragment来操纵所有位于根级别的节点。没有字符串操作，我认为这不是一种解决方法。

$doc = new DOMDocument();
$doc->loadHTML('<p><strong>Title...</strong></p><a href="http://www....."><img src="http://" alt=""></a><p>...to be one of those crowning achievements...</p>');

// Remove doctype node
$doc->doctype->parentNode->removeChild($doc->doctype);

// Remove html element, preserving child nodes
$html = $doc->getElementsByTagName("html")->item(0);
$fragment = $doc->createDocumentFragment();
while ($html->childNodes->length > 0) {
    $fragment->appendChild($html->childNodes->item(0));
}
$html->parentNode->replaceChild($fragment, $html);

// Remove body element, preserving child nodes
$body = $doc->getElementsByTagName("body")->item(0);
$fragment = $doc->createDocumentFragment();
while ($body->childNodes->length > 0) {
    $fragment->appendChild($body->childNodes->item(0));
}
$body->parentNode->replaceChild($fragment, $body);

// Output results
echo htmlentities($doc->saveHTML());

原始答案

这个解决方案相当冗长，但这是因为它通过扩展DOM来实现，以保持最终代码尽可能短。

sliceOutNode是神奇发生的地方。如果您有任何问题，请与我们联系：

<?php

class DOMDocumentExtended extends DOMDocument
{
    public function __construct( $version = "1.0", $encoding = "UTF-8" )
    {
        parent::__construct( $version, $encoding );

        $this->registerNodeClass( "DOMElement", "DOMElementExtended" );
    }

    // This method will need to be removed once PHP supports LIBXML_NOXMLDECL
    public function saveXML( DOMNode $node = NULL, $options = 0 )
    {
        $xml = parent::saveXML( $node, $options );

        if( $options & LIBXML_NOXMLDECL )
        {
            $xml = $this->stripXMLDeclaration( $xml );
        }

        return $xml;
    }

    public function stripXMLDeclaration( $xml )
    {
        return preg_replace( "|<\?xml(.+?)\?>[\n\r]?|i", "", $xml );
    }
}

class DOMElementExtended extends DOMElement
{
    public function sliceOutNode()
    {
        $nodeList = new DOMNodeListExtended( $this->childNodes );
        $this->replaceNodeWithNode( $nodeList->toFragment( $this->ownerDocument ) );
    }

    public function replaceNodeWithNode( DOMNode $node )
    {
        return $this->parentNode->replaceChild( $node, $this );
    }
}

class DOMNodeListExtended extends ArrayObject
{
    public function __construct( $mixedNodeList )
    {
        parent::__construct( array() );

        $this->setNodeList( $mixedNodeList );
    }

    private function setNodeList( $mixedNodeList )
    {
        if( $mixedNodeList instanceof DOMNodeList )
        {
            $this->exchangeArray( array() );

            foreach( $mixedNodeList as $node )
            {
                $this->append( $node );
            }
        }
        elseif( is_array( $mixedNodeList ) )
        {
            $this->exchangeArray( $mixedNodeList );
        }
        else
        {
            throw new DOMException( "DOMNodeListExtended only supports a DOMNodeList or array as its constructor parameter." );
        }
    }

    public function toFragment( DOMDocument $contextDocument )
    {
        $fragment = $contextDocument->createDocumentFragment();

        foreach( $this as $node )
        {
            $fragment->appendChild( $contextDocument->importNode( $node, true ) );
        }

        return $fragment;
    }

    // Built-in methods of the original DOMNodeList

    public function item( $index )
    {
        return $this->offsetGet( $index );
    }

    public function __get( $name )
    {
        switch( $name )
        {
            case "length":
                return $this->count();
            break;
        }

        return false;
    }
}

// Load HTML/XML using our fancy DOMDocumentExtended class
$doc = new DOMDocumentExtended();
$doc->loadHTML('<p><strong>Title...</strong></p><a href="http://www....."><img src="http://" alt=""></a><p>...to be one of those crowning achievements...</p>');

// Remove doctype node
$doc->doctype->parentNode->removeChild( $doc->doctype );

// Slice out html node
$html = $doc->getElementsByTagName("html")->item(0);
$html->sliceOutNode();

// Slice out body node
$body = $doc->getElementsByTagName("body")->item(0);
$body->sliceOutNode();

// Pick your poison: XML or HTML output
echo htmlentities( $doc->saveXML( NULL, LIBXML_NOXMLDECL ) );
echo htmlentities( $doc->saveHTML() );

Answer 2

saveHTML可以输出文档的子集，这意味着我们可以通过遍历正文逐个输出每个子节点。

$doc = new DOMDocument();
$doc->loadHTML('<p><strong>Title...</strong></p>
<a href="http://google.com"><img src="http://google.com/img.jpeg" alt=""></a>
<p>...to be one of those crowning achievements...</p>');
// manipulation goes here

// Let's traverse the body and output every child node
$bodyNode = $doc->getElementsByTagName('body')->item(0);
foreach ($bodyNode->childNodes as $childNode) {
  echo $doc->saveHTML($childNode);
}

这可能不是最优雅的解决方案，但它确实有效。或者，我们可以将所有子节点包装在某个容器元素（例如div）中，并仅输出该容器（但容器标记将包含在输出中）。

Answer 3

我在这里是怎么做到的：

- 快速帮助函数，为您提供特定DOM元素的HTML内容

function nodeContent($n, $outer=false) {
   $d = new DOMDocument('1.0');
   $b = $d->importNode($n->cloneNode(true),true);
   $d->appendChild($b); $h = $d->saveHTML();
   // remove outter tags
   if (!$outer) $h = substr($h,strpos($h,'>')+1,-(strlen($n->nodeName)+4));
   return $h;
}

- 在您的文档中查找正文节点并获取其内容

$query = $xpath->query("//body")->item(0);
if($query)
{
    echo nodeContent($query);
}

更新1：

一些额外信息：自PHP / 5.3.6起，DOMDocument-＆gt; saveHTML（）接受一个可选的DOMNode参数，类似于DOMDocument-＆gt; saveXML（）。你可以做到

$xpath = new DOMXPath($doc);
$query = $xpath->query("//body")->item(0);
echo $doc->saveHTML($query);

对于其他人，帮助函数将有所帮助

Answer 4

tl; dr

需要：PHP 5.4.0和Libxml 2.6.0

$doc->loadHTML("<p>test</p>", LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);

说明

http://php.net/manual/en/domdocument.loadhtml.php “自PHP 5.4.0和Libxml 2.6.0起，您还可以使用options参数指定additional Libxml parameters.”

LIBXML_HTML_NOIMPLIED设置HTML_PARSE_NOIMPLIED标志，该标志将关闭自动添加隐含html / body ...元素的功能。

LIBXML_HTML_NODEFDTD设置HTML_PARSE_NODEFDTD标志，该标志可防止在未找到默认文档类型时添加默认文档类型。

Answer 5

您有两种方法可以实现这一目标：

$content = substr($content, strpos($content, '<html><body>') + 12); // Remove Everything Before & Including The Opening HTML & Body Tags.
$content = substr($content, 0, -14); // Remove Everything After & Including The Closing HTML & Body Tags.

或者更好的是这样：

$dom->normalizeDocument();
$content = $dom->saveHTML();

删除父元素，使用saveHTML保留DOMDocument中的所有内部子元素

5 个答案:

更新

原始答案