我在使用 PHP 解析 HTML 时遇到问题DOM文档.

我正在解析的 HMTL 有以下内容脚本标签:

<script type="text/javascript">
    var showShareBarUI_params_e81 =
    {
        buttonWithCountTemplate: '<div class="sBtnWrap"><a href="#" onclick="$onClick"><div class="sBtn">$text<img src="$iconImg" /></div><div class="sCountBox">$count</div></a></div>',
    }
</script>

这段代码有两个问题：

1) 里面的HTMLbuttonWithCountTemplatevar 没有转义。 DOMDocument 正确地管理它，在解析它时转义字符。不是问题。

2）接近尾声时，有一个带有未转义结束标签的 img 标签：

<img src="$iconImg" />

The />使 DOMDocument 认为脚本已完成，但是它缺少结束标签。如果您使用 getElementByTagName 提取脚本，您将在此 img 标记处关闭标记，其余部分将出现作为 HTML 上的文本.

我的目标是删除此页面中的所有脚本，因此如果我执行removeChild()在此标签上，该标签将被删除，但渲染页面时以下部分将显示为文本：

</div><div class="sCountBox">$count</div></a></div>',
        }
    </script>

修复 HTML 不是一个解决方案，因为我正在开发一个通用解析器并且需要处理所有类型的 HTML。

我的问题是，在将 HTML 提供给 DOMDocument 之前是否应该进行任何清理，或者是否有一个在 DOMDocument 上启用的选项以避免触发此问题，或者即使我可以在加载 HTML 之前删除所有标签。

有任何想法吗？

EDIT

经过一番研究，我发现了 DOMDocument 解析器的真正问题。考虑以下 HTML：

<div> <!-- Offending div without closing tag -->
<script type="text/javascript">
       var test = '</div>';
       // I should not appear on the result
</script>

使用以下 php 代码删除脚本标签（基于 Gholizadeh 的回答 https://stackoverflow.com/a/40762772/1371474):

<?php
error_reporting(E_ALL);
ini_set('display_errors', 1);

$dom = new DOMDocument;
$dom->preserveWhiteSpace = false;
libxml_use_internal_errors(true);
$dom->loadHTML(file_get_contents('js.html'), LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
//@$dom->loadHTMLFile('script.html'); //fix tags if not exist

while($nodes = $dom->getElementsByTagName("script")) {
    if($nodes->length == 0) break;
    $script = $nodes->item(0);
    $script->parentNode->removeChild($script);
}

//return $dom->saveHTML();
$final = $dom->saveHTML();
echo $final;

结果如下：

<div> <!-- Offending div without closing tag -->
<p>';
       // I should not appear on the result
</p></div>

问题是第一个 div 标签没有关闭，并且 DOMDocument 似乎将 JS 字符串内的 div 标签视为 html 而不是简单的 JS 字符串。

我可以做什么来解决这个问题？请记住，修改 HTML 不是一个选项，因为我正在开发一个通用解析器。

我在 html 文件上测试了以下代码，如下所示：

<p>some text 1</p>
<img src="http://www.example.com/images/some_image_1.jpg">
<p>some text 2</p>
<p>some text 3</p>
<img src="http://www.example.com/images/some_image_2.jpg">

<script type="text/javascript">
    var showShareBarUI_params_e81 =
    {
        buttonWithCountTemplate: '<div class="sBtnWrap"><a href="#" onclick="$onClick"><div class="sBtn">$text<img src="$iconImg" /></div><div class="sCountBox">$count</div></a></div>',
    }
</script>

<p>some text 4</p>
<p>some text 5</p>
<img src="http://www.example.com/images/some_image_3.jpg">

PHP代码是：

<?php
error_reporting(E_ALL);
ini_set('display_errors', 1);

    $dom = new DOMDocument;
    $dom->preserveWhiteSpace = false;
    @$dom->loadHTML(file_get_contents('script.html'), LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
    //@$dom->loadHTMLFile('script.html'); //fix tags if not exist 

    $nodes = $dom->getElementsByTagName("script");

    foreach($nodes as $i => $node){
        $script = $nodes->item($i);
        $script->parentNode->removeChild($script);
    }

    //return $dom->saveHTML();
    $dom->saveHtmlFile('script.html');

它适用于给定的示例，我认为您应该使用我在加载 html 代码时使用的选项。

根据最后一个问题更新编辑：

实际上你不能用正则表达式解析[X]HTML（读这个link https://stackoverflow.com/questions/1732348/regex-match-open-tags-except-xhtml-self-contained-tags/1732454#1732454了解更多信息） 但如果您的唯一目的是仅删除脚本标签，并且您可以确保没有</script>标签作为其之间的字符串。你可以使用这个正则表达式：

$html = mb_convert_encoding(file_get_contents('script2.html'), 'HTML-ENTITIES', 'UTF-8');
$new_html = preg_replace('/<script(.*?)>(.*?)<\/script>/si', '', $html);
file_put_contents('script-result.html', $new_html);

坦率地说，问题是您可能没有标准的 HTML 代码。但我认为最好尝试链接的其他库here https://stackoverflow.com/questions/3577641/how-do-you-parse-and-process-html-xml-in-php/3577662#3577662.

否则我想你应该编写一个特殊的解析器来删除脚本标签并处理其中的单引号和双引号。