Question

我尝试将HTML页面从远程服务器加载到PHP脚本中，该脚本应使用DOMDocument类来处理HTML。但是我已经看到，DOMDocument类删除了HTML页面随附的Javascript的某些部分。有一些类似的东西：

<script type="text/javascript">
//...
function printJSPage() {
    var printwin=window.open('','haha','top=100,left=100,width=800,height=600');
    printwin.document.writeln(' <table border="0" cellspacing="5" cellpadding="0" width="100%">');
    printwin.document.writeln(' <tr>');
    printwin.document.writeln(' <td align="left" valign="bottom">');
    //...
    printwin.document.writeln('</td>');
    //...
}
</script>

但是DOMDocument发生了变化，即行

printwin.document.writeln('</td>');

到

printwin.document.writeln(' ');

还有很多其他内容（即，最后一个脚本标记不再存在。结果，我得到了一个完整的被破坏页面，无法进一步发送。

因此，我认为DOMDocument在Javascript代码中的HTML标记方面存在问题，并尝试更正该代码以生成格式正确的文档。我可以阻止DOMDocument中的Javascript解析吗？

PHP代码片段为：

$stdin = file_get_contents('php://stdin');
$dom = new \DOMDocument();
@$dom->loadHTML($stdin);
return $dom->saveHTML();   // will produce wrong HTML
//return $stdin;           // will produce correct HTML

我已经存储了两个HTML版本，并与Meld进行了比较。

我也测试过

@$dom->loadXML($stdin);
return $dom->saveHTML();

但是我没有从物体上得到任何东西。

Answer 1

这里有个技巧可能会有所帮助。这个想法是用保证有效的HTML并且唯一的字符串替换脚本内容，然后将其替换回来。

它将脚本标签内的所有内容替换为这些内容的MD5，然后将其替换回原处。

$scriptContainer = [];
$str = preg_replace_callback ("#<script([^>]*)>(.*?)</script>#s", function ($matches) use (&$scriptContainer) {
     $scriptContainer[md5($matches[2])] = $matches[2];
        return "<script".$matches[1].">".md5($matches[2])."</script>";
    }, $str);
$dom = new \DOMDocument();
@$dom->loadHTML($str);
$final = strtr($dom->saveHTML(), $scriptContainer);

由于阵列的格式化方式，strtr在这里很方便，使用str_replace(array_keys($scriptContainer), $scriptContainer, $dom->saveHTML())也可以。

我非常惊讶PHP无法正确解析HTML内容。它似乎是在解析XML内容（这也是错误的，因为CDATA内容是解析的，而不是按字面值处理）。但是就是这样，如果您想要一个真正的文档解析器，则可能应该使用jsdom

来研究Node.js解决方案。

Answer 2

如果您在<script>中有一个<script>，可以使用以下（不太聪明）的解决方案。仍然存在一个问题：如果<script>标签不平衡，则解决方案将无法正常工作。如果您的Javascript使用String.fromCharCode打印字符串</script>，则可能会发生这种情况。

$scriptContainer = array();

function getPosition($tag) {
    return $tag[0][1];
}

function getContent($tag) {
    return $tag[0][0];
}

function isStart($tag) {
    $x = getContent($tag);
    return ($x[0].$x[1] === "<s");
}

function isEnd($tag) {
    $x = getContent($tag);
    return ($x[0].$x[1] === "</");
}

function mask($str, $scripts) {
    global $scriptContainer;

    $res = "";
    $start = null;
    $stop = null;
    $idx = 0;

    $count = 0;
    foreach ($scripts as $tag) {

            if (isStart($tag)) {
                    $count++;
                    $start = ($start === null) ? $tag : $start;
            }

            if (isEnd($tag)) {
                    $count--;
                    $stop = ($count == 0) ? $tag : $stop;
            }

            if ($start !== null && $stop !== null) {
                    $res .= substr($str, $idx, getPosition($start) - $idx);
                    $res .= getContent($start);
                    $code = substr($str, getPosition($start) + strlen(getContent($start)), getPosition($stop) - getPosition($start) - strlen(getContent($start)));
                    $hash = md5($code);
                    $res .= $hash;
                    $res .= getContent($stop);

                    $scriptContainer[$hash] = $code;

                    $idx = getPosition($stop) + strlen(getContent($stop));
                    $start = null;
                    $stop = null;
            }
    }

    $res .= substr($str, $idx);
    return $res;
}

preg_match_all("#\<script[^\>]*\>|\<\/script\>#s", $html, $scripts, PREG_OFFSET_CAPTURE|PREG_SET_ORDER);
$html = mask($html, $scripts);

libxml_use_internal_errors(true);
$dom = new DOMDocument();
$dom->loadHTML($html);
libxml_use_internal_errors(false);

// handle some things within DOM

echo strtr($dom->saveHTML(), $scriptContainer);

如果您将preg_match_all中的“脚本”字符串替换为“样式”，则还可以屏蔽CSS样式，该样式也可以包含标记名称（即，在注释中）。

PHP 5.4.16 DOMDocument删除了Javascript的一部分

2 个答案: