Question

更新：html5lib（问题的底部）似乎已经接近了，我只需要提高对其使用方式的理解。

我正在尝试为PHP 5.3找到兼容HTML5的DOM解析器。特别是，我需要在脚本标记中访问以下类似HTML的CDATA：

<script type="text/x-jquery-tmpl" id="foo">
    <table><tr><td>${name}</td></tr></table>
</script>

大多数解析器会在{4.0} </标记内找到ETAGO（<script>）时因为HTML 4.01 ends script tag parsing而过早解析。但是，</script>之前的HTML5 allows for </。到目前为止，我尝试过的所有解析器都失败了，或者它们的文档记录很差，以至于我还没弄清楚它们是否有效。

我的要求：

真正的解析器，而不是正则表达式。
能够加载整页或HTML片段。
能够将脚本内容拉出来，通过标签的id属性进行选择。

输入：

<script id="foo"><td>bar</td></script>

输出失败的示例（无结束</td>）：

<script id="foo"><td>bar</script>

一些解析器及其结果：

DOMDocument（失败）

来源：

<?php

header('Content-type: text/plain');
$d = new DOMDocument;
$d->loadHTML('<script id="foo"><td>bar</td></script>');
echo $d->saveHTML();

输出：

Warning: DOMDocument::loadHTML(): Unexpected end tag : td in Entity, line: 1 in /home/adam/public_html/2010/10/26/dom.php on line 5
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><head><script id="foo"><td>bar</script></head></html>

FluentDOM（失败）

来源：

<?php

header('Content-type: text/plain');
require_once 'FluentDOM/src/FluentDOM.php';
$html = "<html><head></head><body><script id='foo'><td></td></script></body></html>";
echo FluentDOM($html, 'text/html');

输出：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><head></head><body><script id="foo"><td></script></body></html>

phpQuery（失败）

来源：

<?php

header('Content-type: text/plain');

require_once 'phpQuery.php';

phpQuery::newDocumentHTML(<<<EOF
<script type="text/x-jquery-tmpl" id="foo">
<td>test</td>
</script>
EOF
);

echo（string）pq（'＃foo'）;

输出：

<script type="text/x-jquery-tmpl" id="foo">
<td>test
</script>

html5lib（通过）

可能很有希望。我可以查看script#foo代码的内容吗？

来源：

<?php

header('Content-type: text/plain');

include 'HTML5/Parser.php';

$html = "<!DOCTYPE html><html><head></head><body><script id='foo'><td></td></script></body></html>";
$d = HTML5_Parser::parse($html);

echo $d->saveHTML();

输出：

<html><head></head><body><script id="foo"><td></td></script></body></html>

Answer 1

我遇到了同样的问题，显然你可以通过将文档加载为XML来破解你的方式，并将其保存为HTML：）

$d = new DOMDocument;
$d->loadXML('<script id="foo"><td>bar</td></script>');
echo $d->saveHTML();

但当然，标记必须没有错误才能使loadXML正常工作。

Answer 2

Re：html5lib

点击下载标签和download the PHP version of the parser。

您解压缩本地文件夹中的存档

 tar -zxvf html5lib-php-0.1.tar.gz
 x html5lib-php-0.1/
 x html5lib-php-0.1/VERSION
 x html5lib-php-0.1/docs/
 ... etc

您更改目录并创建名为hello.php的文件

cd html5lib-php-0.1
touch hello.php

您将以下PHP代码放在hello.php

中

$html = '<html><head></head><body>
<script type="text/x-jquery-tmpl" id="foo">
<table><tr><td>${name}</td></tr></table>
</script> 
</body></html>';
$dom = HTML5_Parser::parse($html); 
var_dump($dom->saveXml()); 
echo "\nDone\n";

您从命令行运行hello.php

php hello.php

解析器将解析文档树，并返回一个DOMDocument对象，该对象可以像任何其他DOMDocument对象一样进行操作。

Answer 3

FluentDOM使用DOMDocument但阻止加载通知和警告。它没有自己的解析器。您可以添加自己的加载器（例如，使用html5lib的加载器）。

Answer 4

我在jQuery模板块中添加了注释标记（）（CDATA块也失败了），DOMDocument没有触及内部HTML。

然后，在我使用jQuery模板之前，我编写了一个脚本来删除注释。

$(function() {
    $('script[type="text/x-jquery-tmpl"]').text(function() {
        // The comment node in this context is actually a text node.
        return $.trim($(this).text()).replace(/^<!--([\s\S]*)-->$/, '$1');
    });
});

不理想，但我不确定是否有更好的解决方法。

Answer 5

我遇到了这个问题。

PHP Dom Document解析脚本标记内的html，实际上可以导致完全不同的dom。

因为我不想使用另一个库而不是DomDocument。我写了一些删除任何脚本内容的行，然后你就可以做你需要做的dom文档，然后你把那个脚本内容放回来。

显然，dom对象无法使用脚本内容，因为它是空的。

使用以下几行PHP代码，您可以“修复”此问题。请注意脚本标记中的脚本标记会导致错误。

$scripts = array();
// this will select all script tags non-greedy. If you have a script tag in your script tag, it will cause problems.
preg_match_all("/((<script.*>)(.*))\/script>/sU", $html, $scripts);
// Make content of scripts empty
$html = str_replace($scripts[3], '', $html);

// Do DOM Document stuff here

// Put script contents back
$html = str_replace($scripts[2], $scripts[1], $html);

我希望这会对某些人有所帮助： - ）。

DOM解析器，允许HTML5样式的<！ - in <script - >标记

DOMDocument（失败）

FluentDOM（失败）

phpQuery（失败）

html5lib（通过）

5 个答案: