防止 DOMDocument::loadHTML() 转换实体
Posted
技术标签:
【中文标题】防止 DOMDocument::loadHTML() 转换实体【英文标题】：Preventing DOMDocument::loadHTML() from converting entities 【发布时间】：2011-11-12 16:25:56 【问题描述】：我有一个字符串值，我正在尝试为其提取列表项。我想提取文本和任何子节点，但是，DOMDocument 正在将实体转换为字符，而不是保持原始状态。
我尝试将 DOMDocument::resolveExternals 和 DOMDocument::substituteEntities 设置为 false，但这没有任何效果。应该注意的是，我在 Win7 上运行 php 5.2.17。
示例代码为：
$example = '<ul><li>text</li>'.
'<li>½ of this is <strong>strong</strong></li></ul>';
echo 'To be converted:'.PHP_EOL.$example.PHP_EOL;
$doc = new DOMDocument();
$doc->resolveExternals = false;
$doc->substituteEntities = false;
$doc->loadhtml($example);
$domNodeList = $doc->getElementsByTagName('li');
$count = $domNodeList->length;
for ($idx = 0; $idx < $count; $idx++)
$value = trim(_get_inner_html($domNodeList->item($idx)));
/* remainder of processing and storing in database */
echo 'Saved '.$value.PHP_EOL;
function _get_inner_html( $node )
$innerHTML= '';
$children = $node->childNodes;
foreach ($children as $child)
$innerHTML .= $child->ownerDocument->saveXML( $child );
return $innerHTML;
&frac12; 最终被转换为 ½（单字符/UTF-8 版本，而不是实体版本），这不是所需的格式。
【问题讨论】：
您如何确定发生了转换？您是否以 HTML 格式显示结果？ 带有回显（实际代码稍微复杂一些）。我将使用我目前正在使用的回声更新示例代码。回显结果正在输出到日志文件。结果显示在 Textpad（如记事本）中，而不是 HTML。 如何将$example 字符串加载到DOMDocument 中？
5.3.6 - php.net/manual/en/domdocument.savehtml.php（此支持$doc->saveHTML( new DOMNode('&frac12;') );
@Phil。为了确保示例代码在发布之前确实有效，有一些话要说。但它确实有效。
【参考方案1】：
非 PHP 5.3.6++ 的解决方案
$html =<<<HTML
<ul><li>text</li>
<li>½ of this is <strong>strong</strong></li></ul>
HTML;
$doc = new DOMDocument();
$doc->resolveExternals = false;
$doc->substituteEntities = false;
$doc->loadHTML($html);
foreach ($doc->getElementsByTagName('li') as $node)
echo htmlentities(iconv('UTF-8', 'ISO-8859-1', $node->nodeValue)), "\n";
【讨论】：
它对待 ½正确，但剥离 。我可能会尝试 _get_inner_html() 识别 DOMElement 和 DOMText 之间的引用，并使用适当的函数进行转换（htmlentities 或递归调用）。【参考方案2】：基于answer provided by ajreal，我扩展了示例变量以处理更多情况，并更改了_get_inner_html() 以进行递归调用并处理文本节点的实体转换。
这可能不是最好的答案，因为它对元素做了一些假设（例如没有属性）。但是由于我的特殊需求不需要传递属性（但是..我确信我的示例数据稍后会向我抛出那个），这个解决方案对我有用。
$example = '<ul><li>text</li>'.
'<li>½ of this is <strong>strong</strong></li>'.
'<li>Entity <strong attr="3">in ½ tag</strong></li>'.
'<li>Nested nodes <strong attr="3">in ½ <em>tag ½</em></strong></li>'.
'</ul>';
echo 'To be converted:'.PHP_EOL.$example.PHP_EOL;
$doc = new DOMDocument();
$doc->resolveExternals = true;
$doc->substituteEntities = false;
$doc->loadHTML($example);
$domNodeList = $doc->getElementsByTagName('li');
$count = $domNodeList->length;
for ($idx = 0; $idx < $count; $idx++)
$value = trim(_get_inner_html($domNodeList->item($idx)));
/* remainder of processing and storing in database */
echo 'Saved '.$value.PHP_EOL;
function _get_inner_html( $node )
$innerHTML= '';
$children = $node->childNodes;
foreach ($children as $child)
echo 'Node type is '.$child->nodeType.PHP_EOL;
switch ($child->nodeType)
case 3:
$innerHTML .= htmlentities(iconv('UTF-8', 'ISO-8859-1', $child->nodeValue));
break;
default:
echo 'Non text node has '.$child->childNodes->length.' children'.PHP_EOL;
echo 'Node name '.$child->nodeName.PHP_EOL;
$innerHTML .= '<'.$child->nodeName.'>';
$innerHTML .= _get_inner_html( $child );
$innerHTML .= '</'.$child->nodeName.'>';
break;
return $innerHTML;
【讨论】：
使用 ISO-8859-1//TRANSLIT 或 ISO-8859-1//IGNORE 以避免通知，并截断未成功转换的字符的字符串。例如，&trade; 的存在会导致通知，并使用 //TRANSLIT 选项转换为 TM。【参考方案3】：
不需要迭代子节点：
function innerHTML($node)
$html=$node->ownerDocument->saveXML($node);
return preg_replace("%^<$node->nodeName[^>]*>|</$node->nodeName>$%", '', $html);
【讨论】：
在这个例子中用什么代替了 htmlentites(iconv()) 调用？看起来它只是剥离了外部标签。以上是关于防止 DOMDocument::loadHTML() 转换实体的主要内容，如果未能解决你的问题，请参考以下文章