如何解析部分 HTML？

Posted 2023-02-24

【中文标题】如何解析部分 HTML？

【英文标题】：How do I parse partial HTML?

【发布时间】：2010-12-28 08:45:26

【问题描述】：

我正在尝试在 php 中使用 DOM 解析一些 html，但遇到了一些问题。首先，如果这改变了解决方案，我拥有的 HTML 不是一个完整的页面，而是它的一部分。

<!-- This is the HTML that I have --><a href='/games/'>
<div id='game'>
<img src='http://images.example.com/games.gif' width='300' height='137' border='0'>
<br><b> Game </b>
</div>
<div id='double'>
<img src='http://images.example.com/double.gif' width='300' height='27' border='0' alt='' title=''>
</div>
</a>

现在我试图只获取 ID 为 double 的 div。我已经尝试了以下代码，但它似乎无法正常工作。我可能做错了什么？

//The HTML has been loaded into the variable $html
$dom=new domDocument;
$dom->loadHTML($html);
$dom->preserveWhiteSpace = false; 
$keepme = $dom->getElementById('double'); 

$contents = '<div style="text-align:center">'.$keepme.'</a></div>';
echo $contents;

【问题讨论】：

它在做什么或不做什么？

【参考方案1】：

HTML Tidy 应该能够“纠正”破碎和碎片化的 HTML 文档，将它们变成可以用其他工具解析的东西

http://devzone.zend.com/article/761

Tidy 扩展是 PHP 5 中的新功能， 并且可以从 PHP 版本获得 5.0b3 向上。它基于 TidyLib 库，并允许 开发人员进行验证、修复和 解析 HTML、XHTML 和 XML 文档 来自 PHP。

【参考方案2】：

来自DomDocument::getElementById

要使此功能起作用，您将 需要要么设置一些ID属性 使用 DOMElement::setIdAttribute 或 DTD 将属性定义为 类型 ID。在后一种情况下，您 需要验证您的文件 使用 DOMDocument::validate 或 DOMDocument->validateOnParse 之前 使用这个函数。

更多信息

Simplify PHP DOM XML parsing - how? How do you parse and process HTML/XML in PHP?

由于迟早有人会提到使用正则表达式来做这件事，所以您可以使用以下模式：/<div id='double'>(.*)<\/div>/simU

此外，您可以只使用常规字符串函数来提取 div 部分，例如

$div = strstr($html, '<div id="double">');
$div = substr($div, 0, strpos($div, '</div>') + 6);
echo $div;

虽然我同意，你不应该使用 RegEx 或 String 函数来解析 HTML 或 XML，我觉得这样做绝对没问题，只要你唯一关心的是得到这个片段中的单个 div。保持简单。

【讨论】：

当然，除非有嵌套的 div 标签。正则表达式不是用于解析html。

如果他真的在解析那个片段，我会同意。但他只是想从中提取一个明确定义的片段。又不是他在遍历DOM，所以我想把fragment当作字符串来处理就可以了。

此外，我在第一句话中已经将他指向 SimpleHTML。

【参考方案3】：

我认为DOMDocument::getElementById 不适用于您的情况：（引用）

要使此功能起作用，您将 需要设置一些ID属性 与DOMElement::setIdAttribute 或 DTD 将属性定义为 类型 ID。 在后一种情况下，您 需要验证您的文件 与DOMDocument::validate 或 DOMDocument->validateOnParse之前 使用这个函数。

一个可能有效的解决方案是使用一些 XPath query 来提取您正在寻找的元素。

首先，让我们加载 HTML 部分，就像你第一次做的那样：

$dom=new domDocument;
$dom->loadHTML($html);
var_dump($dom->saveHTML());

var_dump 在这里只是为了证明 HTML 部分已经成功加载——从它的输出来看，它已经成功了。

然后，实例化DOMXPath 类，并使用它来查询您想要获取的元素：

$xpath = new DOMXpath($dom);
$result = $xpath->query("//*[@id = 'double']");
$keepme = $result->item(0);

我们现在必须添加你想要的元素 ;-)

但是，为了将它的 HTML 内容注入到另一个 HTML 段中，我们必须首先获取它的 HTML 内容。

我不记得有任何“简单”的方法可以做到这一点，但是像这样的东西可以解决问题：

$tempDom = new DOMDocument();
$tempImported = $tempDom->importNode($keepme, true);
$tempDom->appendChild($tempImported);
$newHtml = $tempDom->saveHTML();
var_dump($newHtml);

而且...我们有您的double <div> 的 HTML 内容：

string '<div id="double">
<img src="http://images.example.com/double.gif"   border="0"  title="">
</div>
' (length=125)

现在，你只需要用它做任何你想做的事;-)

【讨论】：

是的！我到处寻找如何获取片段与完整的 HTML 文档，几乎放弃了。谢谢！

【参考方案4】：

一个 XML 文档在根级别只能有一个元素。很可能，HTML 解析器也有类似的要求。尝试将内容包装在 <body/> 标记中。

似乎是别的东西。 This page 描述了可能的原因。我建议您使用 XPath 来获取元素。

【参考方案5】：

片段是 HTML，但要通过 DOM 解析，它应该是 XHTML。 每个打开的标签都必须关闭。

在您的情况下，这意味着您应该将 <br> 替换为 <br /> 并将 <img ... > 替换为 <img ... />

【讨论】：

这实际上不是真的。 $dom->loadHTML("") 工作得很好并且不会失败解析。事实上，$dom->saveXML() 会显示带有正确闭合标签的输出。

这完全取决于您使用的库。在 python 中： xml.dom.minidom.parseString("") -> 返回异常。 xml.dom.minidom.parseString("") 有效。我宁愿一开始就以正确的格式输入，而不是像我期望的那样依赖库来解析不正确的输入。

【参考方案6】：

在同一个问题苦苦挣扎了几个小时后，我找到了这个对我有用的解决方案，与我在网上找到的其他解决方案相比，它相对简单。

此解决方案修复了不需要的 DOCTYPE 和 html、正文标签以及编码问题。

$htmlContent = "<h1>This is a heading</h1><p>This is a paragraph</p>";

// 1.) Load the html
$dom = new DOMDocument();
$dom->loadHTML("<meta http-equiv='Content-Type' content='charset=utf-8' /><div>$htmlContent</div>");

// 2.) Do you logic
$dom->getElementsByTagName('h1')[0]->setAttribute('class', 'happy');

// 3.) Render the html
$wrapperNode = $dom->getElementsByTagName('div')[0];
$renderedHtml = $dom->saveHTML($wrapperNode);
// If you want to keep the wrapper div
echo $renderedHtml;
// Or remove the wrapper <div>
echo substr(trim($renderedHtml), 5, -6);