如何防止 PHP 的 DOMDocument 编码 html 实体？
Posted
技术标签:
【中文标题】如何防止 PHP 的 DOMDocument 编码 html 实体？【英文标题】：How do I prevent Php's DOMDocument from encoding html entities? 【发布时间】：2010-10-21 23:56:07 【问题描述】：我有一个使用 php 的 DOMDocument 替换字符串中锚点的 href 属性的函数。这是一个sn-p：
$doc = new DOMDocument('1.0', 'UTF-8');
$doc->loadhtml($text);
$anchors = $doc->getElementsByTagName('a');
foreach($anchors as $a)
$a->setAttribute('href', 'http://google.com');
return $doc->saveHTML();
问题在于 loadHTML($text) 在 doctype、html、body 等标签中包围了 $text。我尝试通过这样做而不是 loadHTML() 来解决这个问题：
$doc = new DOMDocument('1.0', 'UTF-8');
$node = $doc->createTextNode($text);
$doc->appendChild($node);
...
不幸的是，这会编码所有实体（包括锚点）。有谁知道如何关闭这个？我已经彻底查看了文档并尝试破解它，但无法弄清楚。
谢谢！ :)
【问题讨论】：
对于 2022 年访问此内容的所有人：从 libxml 2.6 开始，loadHTML 支持防止添加周围 HTML 标记的选项：$contentDom->loadHTML($text, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
【参考方案1】：
$text 是带有占位符锚标记的翻译字符串
如果这些占位符具有严格、定义明确的格式，则简单的 preg_replace 或 preg_replace_callback 可能会解决问题。 我不建议在一般情况下使用正则表达式来摆弄 html 文档，但对于定义明确的小子集，它们是合适的。
【讨论】：
【参考方案2】：XML 只有very few predefined entities。您所有的 html 实体都在其他地方定义。当您使用 loadhtml() 时，这些实体定义会自动加载，而使用 loadxml()（或根本没有 load()）则不会。 createTextNode() 完全符合其名称的含义。您作为值传递的所有内容都被视为文本内容，而不是标记。 IE。如果您将具有特殊含义的内容传递给标记（、...），则它的编码方式是解析器可以将文本与实际标记（<、>、...）区分开来
$text 是从哪里来的？你不能在实际的 html 文档中进行替换吗？
【讨论】：
loadHTML，没有实体翻译发生。我最终通过运行 mb_substr($text, 122, -19); 以一种脆弱的方式解决了这个问题。 $doc->saveHTML() 的结果。哎呀！ :) $text 是带有占位符锚标记的翻译字符串，因此必须在运行时进行替换。我宁愿不解析整个文档，因为仅解析翻译的链接会很困难。好主意。【参考方案3】：我最终以一种微不足道的方式破解了这个，改变了：
return $doc->saveHTML();
进入：
$text = $doc->saveHTML();
return mb_substr($text, 122, -19);
这消除了所有不必要的垃圾，改变了这一点：
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN"
"http://www.w3.org/TR/REC-html40/loose.dtd"> <html><body><p>
You can <a href="http://www.google.com">click here</a> to visit Google.</p>
</body></html>
进入这个：
You can <a href="http://www.google.com">click here</a> to visit Google.
谁能找到更好的办法？
【讨论】：
【参考方案4】：好的，这是我最终得到的解决方案。决定听从 VolkerK 的建议。
public static function ReplaceAnchors($text, array $attributeSets)
$expression = '/(<a)([\s\w\d:\/=_&\[\]\+%".?])*(>)/';
if (empty($attributeSets) || !is_array($attributeSets))
// no attributes to set. Set href="#".
return preg_replace($expression, '$1 href="#"$3', $text);
$attributeStrs = array();
foreach ($attributeSets as $attributeKeyVal)
// loop thru attributes and set the anchor
$attributePairs = array();
foreach ($attributeKeyVal as $name => $value)
if (!is_string($value) && !is_int($value))
continue; // skip
$name = htmlspecialchars($name);
$value = htmlspecialchars($value);
$attributePairs[] = "$name=\"$value\"";
$attributeStrs[] = implode(' ', $attributePairs);
$i = -1;
$pieces = preg_split($expression, $text);
foreach ($pieces as &$piece)
if ($i === -1)
// skip the first token
++$i;
continue;
// figure out which attribute string to use
if (isset($attributeStrs[$i]))
// pick the parallel attribute string
$attributeStr = $attributeStrs[$i];
else
// pick the last attribute string if we don't have enough
$attributeStr = $attributeStrs[count($attributeStrs) - 1];
// build a opening new anchor for this token.
$piece = '<a '.$attributeStr.'>'.preg_replace($expression, '$1 href="#"$3', $piece);
++$i;
return implode('', $pieces);
这允许使用一组不同的锚属性调用函数。
【讨论】：
以上是关于如何防止 PHP 的 DOMDocument 编码 html 实体？的主要内容，如果未能解决你的问题，请参考以下文章
我如何告诉 DOMDocument->load() 我希望它使用啥编码？
PHP - 如何处理“utf-16”、us-ascii 编码的 html 字符串以正确保存在 DomDocument 中？
防止 DOMDocument::loadHTML() 转换实体