避免使用 DOMDocument::saveHTML 自动关闭打开的 HTML 元素

Question

我打算将自定义数据属性添加到 div 和 ul 容器，如果该容器使用特定的 class。我从 HTML 片段开始，这些片段包含有效的 HTML（完整的 div 及其内容和结尾的 </div>）或仅包含开头的 div（没有其内容和结尾 </div>).

以下是我可能开始的内容示例：

<div id='gallery-7222-1' class='gallery galleryid-7222 gallery-columns-3 gallery-size-thumbnail'>

这是我到目前为止尝试过的方法：

// grab all containers from the HTML.
$dom_doc = new DOMDocument();

/*
 * $html here can be the example I posted above.
 * LIBXML_HTML_NOIMPLIED and LIBXML_HTML_NODEFDTD are used
 * to avoid adding a doctype and wrapping the whole output in HTML tags.
 */
$dom_doc->loadHTML( $html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD );

// Let's look for lists and divs.
$ul_tags  = $dom_doc->getElementsByTagName( 'ul' );
$div_tags = $dom_doc->getElementsByTagName( 'div' );

/*
 * Loop through each ul, and add the data.
 * I do more things in there, like checking for what class the ul has,
 * but I've simplified things here. 
 */
foreach ( $ul_tags as $ul_tag ) {
    $ul_tag->setAttribute( 'data-foo', 'bar' );
}

/*
 * Loop through each div, and add the data.
 * I do more things in there, like checking for what class the div has,
 * but I've simplified things here. 
 */
foreach ( $div_tags as $div_tag ) {
    $div_tag->setAttribute( 'data-foo', 'bar' );    
}

// Save our updated HTML.
$html = $dom_doc->saveHTML();

返回的 HTML 包括新的数据属性，但也包括我在这里并不真正想要的结束 </div>。你可以在这里看到它： https://ideone.com/sVfAOn

我首先想到用 substr 删除结束 </div>，但我做不到： - 在某些情况下，我原来的 HTML 实际上包含一个我想保留的结束 div 标签。 - 有时我可能正在编辑包含 ul 的字符串。

我该如何阻止 saveHTML() 在这里变得那么聪明，并试图为我修复我的 HTML？

谢谢！

Answer 1

不，您无法说服 HTML 解析器不解析 HTML。最好的解决方案是首先重新考虑您获取数据的方法，并确保您不会获取碎片。

否则，您可以先尝试将其视为 XML，看看它是否损坏：

<?php
libxml_use_internal_errors(true);
$dom_doc = new DOMDocument();
$remove = "";
// try loading it as xml
if (!$dom_doc->loadXml($html)) {
    // it failed, get the error message
    $err = libxml_get_last_error()->message ?? "";
    // is it because of an unclosed element?
    // find out which element it's breaking on
    if (preg_match("/end of data in tag (.*?) /", $err, $matches)) {
        $remove = "</$matches[1]>";
    }
}
$dom_doc->loadHTML($html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);

// do stuff

$html = str_replace($remove, "", $dom_doc->saveHTML());

当然，这假定您正在处理 HTML，否则它是干净的并且不会触发一堆其他错误。如果是这种情况，您需要检查 libxml_get_errors() 是否存在未闭合的元素错误。

避免使用 DOMDocument::saveHTML 自动关闭打开的 HTML 元素

Avoiding automatic closure of open HTML elements with DOMDocument::saveHTML

php

html

html-parsing

domdocument