你如何在PHP中格式化DOM结构？

Question

你如何在PHP中格式化DOM结构？

我的第一个猜测是PHP DOM类(使用formatOutput参数).但是,我无法正确地格式化和输出这个HTML块.如您所见,缩进和对齐不正确.

$html = '
<html>
<body>
<div>

<div>

        <div>

                <p>My Last paragraph</p>
            <div>
                            This is another text block and some other stuff.<br><br>
                Again we will start a new paragraph
                            and some other stuff
                            <br>
        </div>
</div>
        <div>
                        <div>
                            <h1>Another Title</h1>
                                                    </div>
                        <p>Some text again <b>for sure</b></p>
                </div>
</div>
<div>
    <pre><code>
    <span>&lt;html&gt;</span>
        <span>&lt;head&gt;</span>
            <span>&lt;title&gt;</span>
                Page Title
            <span>&lt;/title&gt;</span>
            <span>&lt;/head&gt;</span>
    <span>&lt;/html&gt;</span>
    </code></pre>
</div>
</div>
</body>
</html>';

header('Content-Type: text/plain');
libxml_use_internal_errors(TRUE);

$dom = new DOMDocument;
$dom->preserveWhiteSpace = false;
$dom->formatOutput = true;
$dom->loadHTML($html);
print $dom->saveHTML();

Run Code Online (Sandbox Code Playgroud)

更新:我在示例中添加了预格式化的代码块.

Answer 1

Ali*_*xel 8

以下是对@hijarian答案的一些改进:

LibXML错误

如果您不调用libxml_use_internal_errors(true),PHP将输出找到的所有HTML错误.但是,如果您调用该函数,则不会抑制错误,而是会通过调用来检查它们libxml_get_errors().这个问题是它吃掉了内存,而且知道DOMDocument非常挑剔.如果您批量处理大量文件,最终将耗尽内存.有两种解决方案:

if (libxml_use_internal_errors(true) === true)
{
    libxml_clear_errors();
}

Run Code Online (Sandbox Code Playgroud)

由于libxml_use_internal_errors(true)返回此设置的先前值(默认值false),因此如果您多次运行它(例如在批处理中),则仅具有清除错误的效果.

~~另一种选择是将LIBXML_NOERROR | LIBXML_NOWARNING标志传递给loadHTML()方法.不幸的是,由于我不知道的原因,这仍然留下了一些错误.~~

请记住,libxml如果将空(或空白)字符串传递给load*()方法,DOMDocument将始终输出错误(即使在使用内部错误和设置抑制标志时).

正则表达式

正则表达式/>\s*</im没有多大意义,最好~>[[:space:]]++<~m还使用它来捕获\v(垂直制表符),只有当空格实际存在时才会替换(+而不是*)而不返回(++) - 这更快 - 并且放弃不区分大小写开销(因为空白没有案例).

您可能还需要正常化以换行符\n和其它控制字符(特别是如果在HTML的起源不详),因为一\r会回来后saveXML()的实例.

DOMDocument::$preserveWhitespace 运行上面的正则表达式后没用,也没用.

哦,我认为没有必要在这里保护空白的预先标记.仅限空白的片段是无用的.

附加标志的`loadHTML()`

LIBXML_COMPACT - "这可以加快你的应用程序,而无需更改代码"
LIBXML_NOBLANKS- 需要对此进行更多测试
LIBXML_NOCDATA- 需要对此进行更多测试
LIBXML_NOXMLDECL - 记录但未实施=(

更新:设置任何这些选项将导致不格式化输出.

上 `saveXML()`

该DOMDocument::saveXML()方法将输出XML声明.我们需要手动清除它(因为LIBXML_NOXMLDECL没有实现).要做到这一点,我们可以使用组合substr() + strpos()来寻找第一个换行符,甚至使用正则表达式来清理它.

另一个似乎有额外好处的选择就是:

$dom->saveXML($dom->documentElement);

Run Code Online (Sandbox Code Playgroud)

另一件事,如果你有内联标签是空的,如b,i或li在:

<b class="carret"></b>
<i class="icon-dashboard"></i> Dashboard
<li class="divider"></li>

Run Code Online (Sandbox Code Playgroud)

该saveXML()方法将严重破坏它们(将以下元素放在空元素中),弄乱整个HTML.Tidy也有类似的问题,除了它只是丢弃节点.

要解决这个问题,您可以使用以下LIBXML_NOEMPTYTAG标志saveXML():

$dom->saveXML($dom->documentElement, LIBXML_NOEMPTYTAG);

Run Code Online (Sandbox Code Playgroud)

此选项将空(也称为自动关闭)标记转换为内联标记,并允许空内联标记.

修复HTML [5]

到目前为止我们所做的所有事情,我们的HTML输出现在有两个主要问题:

没有DOCTYPE(当我们使用时它被剥离$dom->documentElement)
空标签现在是内联标签,意味着一个<br />变成了两个(<br></br>),依此类推

修复第一个是相当容易的,因为HTML5非常宽松:

"<!DOCTYPE html>\n" . $dom->saveXML($dom->documentElement, LIBXML_NOEMPTYTAG);

Run Code Online (Sandbox Code Playgroud)

要获取我们的空标签,请执行以下操作:

area
base
basefont(在HTML5中弃用)
br
col
command
embed
frame(在HTML5中弃用)
hr
img
input
keygen
link
meta
param
source
track
wbr

我们可以str_[i]replace在循环中使用:

foreach (explode('|', 'area|base|basefont|br|col|command|embed|frame|hr|img|input|keygen|link|meta|param|source|track|wbr') as $tag)
{
    $html = str_ireplace('>/<' . $tag . '>', ' />', $html);
}

Run Code Online (Sandbox Code Playgroud)

或正则表达式:

$html = preg_replace('~></(?:area|base(?:font)?|br|col|command|embed|frame|hr|img|input|keygen|link|meta|param|source|track|wbr)>\b~i', '/>', $html);

Run Code Online (Sandbox Code Playgroud)

这是一个代价高昂的操作,我没有对它们进行基准测试,所以我不能告诉你哪一个表现更好,但我猜preg_replace().另外,我不确定是否需要不区分大小写的版本.我的印象是XML标签总是小写的.更新:标签总是小写的.

在`<script>`和`<style>`标签

这些标签将始终将其内容(如果存在)封装到(未注释的)CDATA块中,这可能会破坏它们的含义.您必须使用正则表达式替换这些令牌.

履行

function DOM_Tidy($html)
{
    $dom = new \DOMDocument();

    if (libxml_use_internal_errors(true) === true)
    {
        libxml_clear_errors();
    }

    $html = mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8');
    $html = preg_replace(array('~\R~u', '~>[[:space:]]++<~m'), array("\n", '><'), $html);

    if ((empty($html) !== true) && ($dom->loadHTML($html) === true))
    {
        $dom->formatOutput = true;

        if (($html = $dom->saveXML($dom->documentElement, LIBXML_NOEMPTYTAG)) !== false)
        {
            $regex = array
            (
                '~' . preg_quote('<![CDATA[', '~') . '~' => '',
                '~' . preg_quote(']]>', '~') . '~' => '',
                '~></(?:area|base(?:font)?|br|col|command|embed|frame|hr|img|input|keygen|link|meta|param|source|track|wbr)>~' => ' />',
            );

            return '<!DOCTYPE html>' . "\n" . preg_replace(array_keys($regex), $regex, $html);
        }
    }

    return false;
}

Run Code Online (Sandbox Code Playgroud)

Answer 2

hij*_*ian 5

这是php.net上的评论：http: //ru2.php.net/manual/en/domdocument.save.php#88630

看起来当您从字符串中加载HTML时（就像您一样），DOMDocument变得很懒，并且不格式化其中的任何内容。

这是您问题的有效解决方案：

// Clean your HTML by hand first
$html = preg_replace('/>\s*</im', '><', $html);
$dom = new DOMDocument;
$dom->loadHTML($html);
$dom->formatOutput = true;
$dom->preserveWhitespace = false;
// Use saveXML(), not saveHTML()
print $dom->saveXML();

Run Code Online (Sandbox Code Playgroud)

基本上，您将标记之间的空格扔掉，并使用saveXML（）而不是saveHTML（）。saveHTML（）在这种情况下不起作用。但是，您会在文本的第一行中得到一个XML声明。

这是一个好的开始，使用XML输出确实有帮助。但是，它破坏了预格式化代码块中使用的缩进。不过，也许我可以更改您的正则表达式，使其不包含通常被放置在<pre>块中的代码周围的`<span>`标记。不过，我想知道为什么PHP DOM库损坏了。**编辑：**是的，''/> \ s * <（?! span）/ i'`似乎工作正常。 (2认同)

归档时间：	14 年，1 月前
查看次数：	3426 次
最近记录：	12 年，5 月前

你如何在PHP中格式化DOM结构？

LibXML错误

正则表达式

附加标志的loadHTML()

上 saveXML()

修复HTML [5]

在<script>和<style>标签

履行

附加标志的`loadHTML()`

上 `saveXML()`

在`<script>`和`<style>`标签