在php中解析一个扭曲的HTML页面

时间:2012-07-06 11:33:18

标签: php html ajax html-parsing

我在php文件中调用一个AJAX url并通过CURL获取其内容。 但我得到的HTML充满了\ r,\ t和\ n.Divs也被扭曲了。 我该如何处理这个问题。这是完整HTML文本的一小部分。

<html>
<head>
<title></title>
</head>
<body>
id=
"\&quot;moreCount\&quot;">491-500</span>\r\n\r\n\r\n\t
<div id="\&quot;propSearchMainWrap\&quot;">\r\n\t\t
<div class="\&quot;propSearchMainContent\&quot;">\r\n\t\t\t
<div>\r\n\t\t\t\t\r\n\t\t\t\t\t\r\n\t\t\t\t\t\r\n\t\t\t\t\t\t
<div class="\&quot;searchDtlLeftN\&quot;" style="\&quot;width:">
\r\n\t\t\t\t\t\r\n\t\t\t\t\r\n\t\t\t\t\r\n\t\t\t\t\t<input type=
"\'checkbox\'" name=
"\'checkbox10374276\'\r\n\t\t\t\t\t\tid=\'checkbox10374276\'\r\n\t\t\t\t\t\tonmouseout=\&quot;hideToolTipCheckboxCount(\'tool_tip10374276\');\&quot;\r\n\t\t\t\t\t\tonmouseover=\&quot;showToolTipCheckboxCount(\'tool_tip10374276\',\'Property\');\&quot;">\r\n\t\t\t\t\t
<div id="\'tool_tip10374276\'\r\n\t\t\t\t\t\tstyle=\'display:"
width:="" position:="" z-index:="" padding:=""></div>
\r\n\t\t\t\t\r\n\t\t\t\t <b><a target="\&quot;_blank\&quot;" href=
"/&quot;/propertyDetails/5-BHK-3000-Sq-ft-Residential-House-FOR-Sale-Cookes-Town-in-Bangalore&amp;id=Q8oDBbaV2WFzpSvf+uAgZw==/&quot;">
5 BHK Residential House for Sale in Cookes
Town</a>\r\n\t\t\t\t</b>\r\n\t\t\t</div>
\r\n\t\t\t
<!-- added by narendra -->\r\n\t\t\t\r\n\t\t\t\t\r\n\t\t\t\t\r\n\t\t\t\t\t
<div style="\&quot;width:"></div>
\r\n\t\t\t\t\r\n\t\t\t\r\n\t\t\t
<!-- added by narendra -->\r\n\t\t</div>
\r\n\t\t
<div>\r\n\t\t\t<!--left panel start-->\r\n\t\t\t
<div class="\&quot;searchDetailPanelLft\&quot;">\r\n\r\n\t\t\t\t
<div class="\&quot;searchDetailSubBox1\&quot;">\r\n\t\t\t\t\t
<!--content start-->\r\n\t\t\t\t\t
<div class="\&quot;search_packageImg\&quot;">
\r\n\t\t\t\t\t\t\r\n\t\t\t\t\t\t\t<img alt="\&quot;Premium\&quot;"
title=
"\&quot;Premium\&quot;\r\n\t\t\t\t\t\t\t\tsrc=\&quot;/images/premium-img.gif\&quot;">\r\n\t\t\t\t\t\t\r\n\t\t\t\t\t\t\r\n\t\t\t\t\t\t\r\n\t\t\t\t\t\t\r\n\t\t\t\t\t\t\r\n\t\t\t\t\t\t\r\n\t\t\t\t\t</div>

3 个答案:

答案 0 :(得分:3)

可以使用preg_replace删除\ r,\ t和\ n。

那就是说,你仍然会有奇怪的作业,例如width:= ...这是HTML Pascal吗?

    $html = // awful stuff

    // Remove quoted \r, \t and \n
    $html = preg_replace("#\\[rnt]#ms", '', $html);

    // Remove double quotation marks, apparently spurious
    $html = preg_replace('#["]#ms', '', $html);

    // Remove extra escapes
    $html = stripslashes($html);

    // Convert (apparently) original marks back to normal
    $html = HTML_Entity_Decode($html);

答案 1 :(得分:1)

您应该尝试将所有\ x -occurrences替换为所谓的char。那么DOMDocument的loadHTML对此有好处。

$html = strtr($html, array('\\\\' => '\\', '\\r' => "\r", '\\n' => "\n", '\\t' => "\t", '\\' => ''));
$doc = new DOMDocument();
$doc->loadHTML($html);
$html = $doc->saveHTML();

答案 2 :(得分:0)

使用stripcslashes()方法轻松解决它。 工作就像一个魅力。