Question

我正在使用PHP的DOMDocument来解析和规范用户提交的HTML，使用loadHTML方法解析内容，然后通过saveHTML获得格式良好的结果：

$dom= new DOMDocument();
$dom->loadHTML('<div><p>Hello World');
$well_formed= $dom->saveHTML(); 
echo($well_formed);

这可以很好地解析片段并添加适当的结束标记。问题是我还得到了一堆我不想要的标签，例如<!DOCTYPE>，<html>，<head>和<body>。我知道每个格式良好的HTML文档都需要这些标记，但我正在规范化的HTML片段将被插入到现有的有效文档中。

Answer 1

问题的快速解决方案是使用xPath表达式来抓取正文。

$dom= new DOMDocument();
$dom->loadHTML('<div><p>Hello World');      
$xpath = new DOMXPath($dom);
$body = $xpath->query('/html/body');
echo($dom->saveXml($body->item(0)));

这里有一个警告。有时，loadHTML在遇到格式不佳的HTML文档时会发出警告。如果您要解析这些HTML文档，则需要找到better html parser [自我链接警告]。

Answer 2

在您的情况下，您不想使用HTML文档，而是使用HTML片段 - HTML代码的一部分;;这意味着DOMDocument并不是您所需要的。

相反，我宁愿使用类似HTMLPurifier （引用）的内容：

HTML Purifier符合标准用PHP编写的HTML过滤器库。 HTML Purifier不仅会删除所有内容恶意代码（更好地称为XSS）经过全面审核，安全无缺容许白名单，它也会 确保您的文档符合标准，仅限某些内容可以全面实现了解W3C的规范。

而且，如果你试试你的部分代码：

<div><p>Hello World

使用the demo page of HTMLPurifier，您可以将此干净的HTML作为输出：

<div><p>Hello World</p></div>

好多了，不是吗？ ; - ）

（请注意，HTMLPurfier支持多种选项，并且查看其文档可能不会受到影响）

Answer 3

面对同样的问题，我在DOMDocument周围创建了一个名为SmartDOMDocument的包装器，以克服这个和其他一些缺点（例如编码问题）。

您可以在此处找到它：http://beerpla.net/projects/smartdomdocument

Answer 4

这是从另一篇文章中获取并完美地供我使用：

$layout = preg_replace('~<(?:!DOCTYPE|/?(?:html|head|body))[^>]*>\s*~i', '', $layout);

PHP DOMDocument - 获取BODY的html源代码

4 个答案: