php - PHP 中的容错 HTML/XML/SGML 解析

Question

我有一堆类似 HTML 的遗留文档。比如，它们看起来像 HTML，但是有额外的组成标签，这些标签不是 HTML 的一部分

<strong>This is an example of a <pseud-template>fake tag</pseud-template></strong>

我需要解析这些文件。 PHP 是唯一可用的工具。这些文档远不是格式正确的 XML。

我最初的想法是在 PHP 的 DOMDocument 上使用 loadHTML 方法。但是，这些方法在组成 HTML 标记时会阻塞，并且会拒绝解析字符串/文件。

$oDom = new DomDocument();
$oDom->loadHTML("<strong>This is an example of a <pseud-template>fake tag</pseud-template></strong>");
//gives us
DOMDocument::loadHTML() [function.loadHTML]: Tag pseud-template invalid in Entity, line: 1 occured in ....

我能想出的唯一解决方案是使用字符串替换函数预处理文件，该函数将删除无效标签并将它们替换为有效的 HTML 标签(可能是带有标签 id 的 span姓名)。

有没有更优雅的解决方案？一种让 DOMDocument 知道附加标签被视为有效的方法？是否有针对 PHP 的不同的、健壮的 HTML 解析类/对象？

(如果不是很明显，我不认为正则表达式是有效的解决方案)

更新:假标签中的信息是这里目标的一部分，所以像 Tidy 这样的东西不是一个选项。此外，我正在寻找能够为我清除某种程度(如果不是全部)格式良好性的东西，这就是我首先查看 DomDocument 的 loadHTML 方法的原因。

Answer 1

您可以使用 libxml_use_internal_errors 抑制警告, 在加载文档时。例如:

libxml_use_internal_errors(true);
$doc = new DomDocument();
$doc->loadHTML("<strong>This is an example of a <pseud-template>fake tag</pseud-template></strong>");
libxml_use_internal_errors(false);

如果出于某种原因，您需要访问警告，请使用 libxml_get_errors