Парсер DOM, который допускает тег </ in <script> в стиле HTML5

Question

Парсер DOM, который допускает тег </ in <script> в стиле HTML5

Обновление: html5lib (нижняя часть вопроса), кажется, близко, мне просто нужно улучшить мое понимание того, как оно используется.

Я пытаюсь найти HTML5-совместимый DOM-парсер для PHP 5.3. В частности, мне нужно получить доступ к следующим HTML-подобным CDATA внутри тега script:

<script type="text/x-jquery-tmpl" id="foo">
    <table><tr><td>${name}</td></tr></table>
</script>

Большинство синтаксических анализаторов прекращают анализ преждевременно, потому что HTML 4.01 завершает синтаксический анализ тега сценария, когда находит ETAGO (</) внутри <script> тег. Тем не менее, HTML5 позволяет </ до </script>, Все парсеры, которые я пробовал до сих пор, либо потерпели неудачу, либо они настолько плохо документированы, что я не понял, работают они или нет.

Мои требования:

Настоящий парсер, а не хак регулярных выражений.
Возможность загрузки полных страниц или фрагментов HTML.
Возможность вытащить содержимое скрипта обратно, выбирая по атрибуту id тега.

Входные данные:

<script id="foo"><td>bar</td></script>

Пример сбоя вывода (без закрытия </td>):

<script id="foo"><td>bar</script>

Некоторые парсеры и их результаты:

DOMDocument (не работает)

Источник:

<?php

header('Content-type: text/plain');
$d = new DOMDocument;
$d->loadHTML('<script id="foo"><td>bar</td></script>');
echo $d->saveHTML();

Выход:

Warning: DOMDocument::loadHTML(): Unexpected end tag : td in Entity, line: 1 in /home/adam/public_html/2010/10/26/dom.php on line 5
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><head><script id="foo"><td>bar</script></head></html>

FluentDOM (не работает)

Источник:

<?php

header('Content-type: text/plain');
require_once 'FluentDOM/src/FluentDOM.php';
$html = "<html><head></head><body><script id='foo'><td></td></script></body></html>";
echo FluentDOM($html, 'text/html');

Выход:

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><head></head><body><script id="foo"><td></script></body></html>

phpQuery (не работает)

Источник:

<?php

header('Content-type: text/plain');

require_once 'phpQuery.php';

phpQuery::newDocumentHTML(<<<EOF
<script type="text/x-jquery-tmpl" id="foo">
<td>test</td>
</script>
EOF
);

echo (string) pq ('# foo');

Выход:

<script type="text/x-jquery-tmpl" id="foo">
<td>test
</script>

html5lib (проходит)

Возможно, перспективно. Могу ли я получить на содержание script#foo тег?

Источник:

<?php

header('Content-type: text/plain');

include 'HTML5/Parser.php';

$html = "<!DOCTYPE html><html><head></head><body><script id='foo'><td></td></script></body></html>";
$d = HTML5_Parser::parse($html);

echo $d->saveHTML();

Выход:

<html><head></head><body><script id="foo"><td></td></script></body></html>

49

php html html5 dom

Источник

user7675 27 окт '10 в 01:33

5 ответов

Другие вопросы по тегам php html html5 dom

user376947 24 май '12 в 01:09 2012-05-24 01:09 · Answer 1 · 2012-05-24 01:09

У меня была та же проблема, и, видимо, вы можете взломать свой путь через это, загрузив документ в формате XML, и сохранить его как HTML:)

$d = new DOMDocument;
$d->loadXML('<script id="foo"><td>bar</td></script>');
echo $d->saveHTML();

Но, конечно, разметка должна быть безошибочной, чтобы loadXML работал.

user1462903 12 мар '20 в 15:22 2020-03-12 15:22 · Answer 2 · 2020-03-12 15:22

Я просто узнаю (в моем случае).

попробуйте изменить параметр параметров loadHTML с помощью LIBXML_SCHEMA_CREATE в DOMDocument

$dom = new DOMDocument;

libxml_use_internal_errors(true);
//$dom->loadHTML($buffer, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
$dom->loadHTML($buffer, LIBXML_SCHEMA_CREATE);

7

Источник

user1462903 12 мар '20 в 15:22

user497139 04 ноя '10 в 12:20 2010-11-04 12:20 · Answer 3 · 2010-11-04 12:20

FluentDOM использует DOMDocument, но блокирует уведомления о загрузке и предупреждения. У него нет собственного парсера. Вы можете добавить свои собственные загрузчики (например, тот, который использует html5lib).

5

Источник

user497139 04 ноя '10 в 12:20

user4668 27 окт '10 в 01:52 2010-10-27 01:52 · Answer 4 · 2010-10-27 01:52

Re: html5lib

Вы нажимаете на вкладку загрузки и загружаете версию парсера на PHP.

Вы распаковываете архив в локальной папке

 tar -zxvf html5lib-php-0.1.tar.gz
 x html5lib-php-0.1/
 x html5lib-php-0.1/VERSION
 x html5lib-php-0.1/docs/
 ... etc

Вы меняете каталоги и создаете файл с именем hello.php

cd html5lib-php-0.1
touch hello.php

Вы помещаете следующий код PHP в hello.php

$html = '<html><head></head><body>
<script type="text/x-jquery-tmpl" id="foo">
<table><tr><td>${name}</td></tr></table>
</script> 
</body></html>';
$dom = HTML5_Parser::parse($html); 
var_dump($dom->saveXml()); 
echo "\nDone\n";

Ты бежишь hello.php из командной строки

php hello.php

Анализатор проанализирует дерево документа и вернет объект DOMDocument, которым можно манипулировать, как любым другим объектом DOMDocument.

user31671 24 окт '11 в 23:35 2011-10-24 23:35 · Answer 5 · 2011-10-24 23:35

Я добавил комментарии теги () в моих шаблонных блоках jQuery (блоки CDATA также не работали), а DOMDocument не трогал внутренний HTML.

Затем, прежде чем использовать шаблоны jQuery, я написал скрипт для удаления комментариев.

$(function() {
    $('script[type="text/x-jquery-tmpl"]').text(function() {
        // The comment node in this context is actually a text node.
        return $.trim($(this).text()).replace(/^<!--([\s\S]*)-->$/, '$1');
    });
});

Не идеально, но я не был уверен в лучшем обходном пути.

user2793852 19 сен '13 в 03:58 2013-09-19 03:58 · Answer 6 · 2013-09-19 03:58

Я столкнулся с этой точной проблемой.

PHP Dom Document анализирует html внутри тега script, и это может фактически привести к совершенно другому dom.

Так как я не хотел использовать другую библиотеку, кроме DomDocument. Я написал несколько строк, которые разбирают любое содержимое скрипта, затем вы делаете то, что вам нужно делать с документом dom, а затем возвращаете содержимое скрипта обратно.

Очевидно, что содержимое скрипта недоступно для вашего объекта dom, потому что оно пустое.

С помощью следующих строк php-кода вы можете "исправить" эту проблему. Имейте в виду, что теги script в тегах scripts могут вызвать ошибку.

$scripts = array();
// this will select all script tags non-greedy. If you have a script tag in your script tag, it will cause problems.
preg_match_all("/((<script.*>)(.*))\/script>/sU", $html, $scripts);
// Make content of scripts empty
$html = str_replace($scripts[3], '', $html);

// Do DOM Document stuff here

// Put script contents back
$html = str_replace($scripts[2], $scripts[1], $html);

Я надеюсь, что это поможет некоторым людям:-).