Xpath с html5lib в PHP

Question

У меня есть этот основной код, который не работает. Как я могу использовать Xpath с html5lib php? Или Xpath с HTML5 любым другим способом.

$url = 'http://en.wikipedia.org/wiki/PHP';
$response = GuzzleHttp\get($url);

$html5 = new Masterminds\HTML5();
$dom = $html5->loadHTML($response);

$xpath = new DOMXPath($dom);

$elements = $xpath->query('//h1');
//$elements = $dom->getElementsByTagName('h1');

foreach ($elements as $element)
{
    var_dump($element);
}

Элементы не найдены. С помощью $xpath->query('.') работает для получения корневого элемента (xpath в целом, кажется, работает). $dom->getElementsByTagName('h1') работает.

Answer 1

Похоже, что html5lib настраивает нас на пространство имен по умолчанию.

$url = 'http://en.wikipedia.org/wiki/PHP';
$response = GuzzleHttp\get($url)->getBody();
$html5 = new Masterminds\HTML5();
$dom = $html5->loadHTML($response);
$de = $dom->documentElement;
if ($de->isDefaultNamespace($de->namespaceURI)) {
    echo $de->namespaceURI . "\n";
}

Это выводит:

 http://www.w3.org/1999/xhtml

Чтобы выполнить запрос к узлам пространства имен с помощью xpath, вам нужно зарегистрировать пространство имен и использовать префикс в запросе.

$xpath = new DOMXPath($dom);
$xpath->registerNamespace('n', $de->namespaceURI);

$elements = $xpath->query('//n:h1');
foreach ($elements as $element)
{
    echo $element->nodeValue;
}

Это выводы PHP,

---

Обычно я нахожу утомительным префикс всего в запросах xpath, когда задействовано пространство имен по умолчанию, поэтому я просто лишаю его.

$de = $dom->documentElement;
$de->removeAttributeNS($de->getAttributeNode("xmlns")->nodeValue,"");
$dom->loadXML($dom->saveXML()); // reload the existing dom, now sans default ns

После этого вы можете использовать свой оригинальный xpath, и он будет работать нормально.

$elements = $xpath->query('//h1');
foreach ($elements as $element)
{
    echo $element->nodeValue;
}

Это теперь выводит PHP также.

---

Таким образом, модифицированная версия примера будет выглядеть примерно так:

Пример:

$url = 'http://en.wikipedia.org/wiki/PHP';
$response = GuzzleHttp\get($url)->getBody();
$html5 = new Masterminds\HTML5();
$dom = $html5->loadHTML($response);

$de = $dom->documentElement;
if ($de->isDefaultNamespace($de->namespaceURI)) {
    $de->removeAttributeNS($de->getAttributeNode("xmlns")->nodeValue,"");
    $dom->loadXML($dom->saveXML());
}

$xpath = new DOMXPath($dom);
$elements = $xpath->query('//h1');
foreach ($elements as $element)
{
    var_dump($element);
}

Выход:

class DOMElement#11 (18) {
  public $tagName =>
  string(2) "h1"
  public $schemaTypeInfo =>
  NULL
  public $nodeName =>
  string(2) "h1"
  public $nodeValue =>
  string(3) "PHP"
  ...
  public $textContent =>
  string(3) "PHP"
}

Answer 2

Использование disable_html_ns вариант.

$url = 'http://en.wikipedia.org/wiki/PHP';
$response = GuzzleHttp\get($url)->getBody();
$html5 = new Masterminds\HTML5(array(
    'disable_html_ns' => true, // add `disable_html_ns` option
));
$dom = $html5->loadHTML($response);

$xpath = new DOMXPath($dom);
$elements = $xpath->query('//h1');

foreach ($elements as $element) {
    var_dump($element);
}

https://github.com/Masterminds/html5-php

disable_html_ns (логическое значение): предотвращает автоматическое назначение синтаксическим анализатором пространства имен HTML5 документу DOM. Это для инструментов DOM, не поддерживающих пространство имен.