你如何在PHP中格式化DOM结构？

时间：2011-11-03 15:56:41

标签： php html dom

我的第一个猜测是PHP DOM classes（formatOutput参数）。但是，我无法正确地格式化和输出这个HTML块。如您所见，缩进和对齐不正确。

$html = '
<html>
<body>
<div>

<div>

        <div>

                <p>My Last paragraph</p>
            <div>
                            This is another text block and some other stuff.<br><br>
                Again we will start a new paragraph
                            and some other stuff
                            <br>
        </div>
</div>
        <div>
                        <div>
                            <h1>Another Title</h1>
                                                    </div>
                        <p>Some text again <b>for sure</b></p>
                </div>
</div>
<div>
    <pre><code>
    <span>&lt;html&gt;</span>
        <span>&lt;head&gt;</span>
            <span>&lt;title&gt;</span>
                Page Title
            <span>&lt;/title&gt;</span>
            <span>&lt;/head&gt;</span>
    <span>&lt;/html&gt;</span>
    </code></pre>
</div>
</div>
</body>
</html>';

header('Content-Type: text/plain');
libxml_use_internal_errors(TRUE);

$dom = new DOMDocument;
$dom->preserveWhiteSpace = false;
$dom->formatOutput = true;
$dom->loadHTML($html);
print $dom->saveHTML();

更新：我在示例中添加了预先格式化的代码块。

2 个答案:

答案 0 :(得分：7)

以下是对@hijarian回答的一些改进：

LibXML错误

如果您不调用libxml_use_internal_errors(true)，PHP将输出找到的所有HTML错误。但是，如果您调用该函数，则不会抑制错误，而是通过调用libxml_get_errors()来查看它们可以检查的堆。这个问题是它吃掉了内存，而且知道DOMDocument非常挑剔。如果您批量处理大量文件，最终将耗尽内存。有两种解决方案：

if (libxml_use_internal_errors(true) === true)
{
    libxml_clear_errors();
}

由于libxml_use_internal_errors(true)返回此设置的先前值（默认false），因此如果您多次运行它，则只会清除错误（如批处理中那样）。

另一种选择是将LIBXML_NOERROR | LIBXML_NOWARNING标志传递给loadHTML()方法。不幸的是，由于我不知道的原因，这仍然留下了一些错误。

请记住，如果将空（或 blankish ）字符串传递给{，则DOMDocument将始终输出错误（即使在使用内部libxml错误并设置抑制标志时） {1}}方法。

正则表达式

正则表达式load*()没有多大意义，最好使用/>\s*</im来捕获~>[[:space:]]++<~m（垂直制表符），只有在实际存在空格时才能替换（{ {1}}而不是\v）而没有回馈（+） - 这更快 - 并且丢弃不明智的开销（因为空格没有大小写）。

您可能还希望将新行标准化为*和其他控制字符（特别是如果HTML的来源未知），因为++将在\n之后返回\r例如{1}}。

运行上述正则表达式后，

&#23;无用且无用。

哦，我认为没有必要在这里保护空白的预先标记。只有空白的片段是无用的。

saveXML()

的其他Flags
  • DOMDocument::$preserveWhitespace - “这可能会加快您的申请速度而无需更改代码”
  • loadHTML() - 需要对此进行更多测试
  • LIBXML_COMPACT - 需要对此进行更多测试
  • LIBXML_NOBLANKS - 记录但未实施=（

更新：设置其中任何一个选项都会产生不格式化输出的效果。

开LIBXML_NOCDATA

LIBXML_NOXMLDECL方法将输出XML声明。我们需要手动清除它（因为saveXML()没有实现）。为此，我们可以使用DOMDocument::saveXML()的组合来查找第一个换行符，甚至可以使用正则表达式来清理它。

另一个似乎只有an added benefit的选项就是：

LIBXML_NOXMLDECL

另一件事，如果你有内嵌标签是空的，例如substr() + strpos()，$dom->saveXML($dom->documentElement); 或b：

i

li方法会严重破坏它们（将下面的元素放在空元素中），弄乱整个HTML。 Tidy也有类似的问题，除了它只是丢弃节点。

要解决此问题，您可以使用<b class="carret"></b> <i class="icon-dashboard"></i> Dashboard <li class="divider"></li> 标记以及saveXML()：

LIBXML_NOEMPTYTAG

此选项会将空（又称自动关闭）标记转换为内联标记，并允许空内联标记。

修复HTML [5]

到目前为止我们所做的所有事情，我们的HTML输出现在有两个主要问题：

  1. 没有DOCTYPE（当我们使用saveXML()时它被剥离了）
  2. 空标记现在是内嵌标记，意味着一个$dom->saveXML($dom->documentElement, LIBXML_NOEMPTYTAG); 变成了两个（$dom->documentElement）等等

    3. 修复第一个相当容易，因为HTML5非常宽松：

    <br />

    要获取我们的空标签，请执行以下操作：

    • <br></br>
    • "<!DOCTYPE html>\n" . $dom->saveXML($dom->documentElement, LIBXML_NOEMPTYTAG);
    • area（在HTML5中弃用）
    • base
    • basefont
    • br
    • col
    • command（在HTML5中弃用）
    • embed
    • frame
    • hr
    • img
    • input
    • keygen
    • link
    • meta
    • param
    • source

    我们可以在循环中使用track：

    wbr

    或正则表达式：

    str_[i]replace

    这是一项代价高昂的操作，我没有对它们进行基准测试，所以我无法告诉你哪一项表现更好，但我猜是foreach (explode('|', 'area|base|basefont|br|col|command|embed|frame|hr|img|input|keygen|link|meta|param|source|track|wbr') as $tag) { $html = str_ireplace('>/<' . $tag . '>', ' />', $html); } 。另外，我不确定是否需要不区分大小写的版本。我的印象是XML标签总是小写的。 更新：标记始终是小写的。

    在$html = preg_replace('~></(?:area|base(?:font)?|br|col|command|embed|frame|hr|img|input|keygen|link|meta|param|source|track|wbr)>\b~i', '/>', $html); 和preg_replace()标签

    上

    这些标签将始终将其内容（如果存在）封装到（未注释的）CDATA块中，这可能会破坏其含义。你必须用正则表达式替换这些令牌。

    实施

    <script>

答案 1 :(得分：5)

以下是php.net上的评论：http://ru2.php.net/manual/en/domdocument.save.php#88630

看起来当你从字符串加载HTML时（就像你一样），DOMDocument变得懒惰，并且不会格式化其中的任何内容。

这是解决问题的有效方法：

// Clean your HTML by hand first
$html = preg_replace('/>\s*</im', '><', $html);
$dom = new DOMDocument;
$dom->loadHTML($html);
$dom->formatOutput = true;
$dom->preserveWhitespace = false;
// Use saveXML(), not saveHTML()
print $dom->saveXML();

基本上，你抛弃标签之间的空格并使用saveXML（）而不是saveHTML（）。 saveHTML（）只是在这种情况下不起作用。但是，您会在第一行文本中获得XML声明。

相关问题
最新问题