php - PHP 中的 DOM : Decoded entities and setting nodeValue

Question

我想使用 PHP 使用 DOM 对 XML 文档执行某些操作它的标准库的一部分。正如其他人已经discovered ，然后必须处理解码的实体。为了说明困扰我的问题，我举了一个简单的例子。

假设我们有如下代码

$doc = new DOMDocument();
$doc->loadXML(<XML data>);

$xpath = new DOMXPath($doc);
$node_list = $xpath->query(<some XPath>);

foreach($node_list as $node) {
    //do something
}

如果循环中的代码是这样的

$attr = "<some string>";
$val = $node->getAttribute($attr);
//do something with $val
$node->setAttribute($attr, $val);

它工作正常。但如果更像是

$text = $node->textContent;
//do something with $text
$node->nodeValue = $text;

和$text 包含一些解码的&，它不会被编码，即使根本没有对$text 做任何事情。

此刻，我申请htmlspecialchars在我设置 $node->nodeValue 之前在 $text 上。现在我想知道

1. 如果这足够了，
2. 如果没有，什么就足够了，
3. 如果有更优雅的解决方案，例如属性操作。

我必须处理的 XML 文档主要是提要，因此解决方案应该非常通用。

---

编辑

原来我原来的问题范围不对，抱歉。在这里，我提供了一个实际发生所描述行为的示例。

$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, "http://feeds.bbci.co.uk/news/rss.xml?edition=uk");
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
$output = curl_exec($ch);
curl_close($ch);

$doc = new DOMDocument();
$doc->loadXML($output);

$xpath = new DOMXPath($doc);
$node_list = $xpath->query('//item/link');

foreach($node_list as $node) {
        $node->nodeValue = $node->textContent;
}
echo $doc->saveXML();

如果我在 CLI 上执行这段代码

php beeb.php |egrep 'link|Warning'

我得到这样的结果

<link>http://www.bbc.co.uk/news/world-africa-23070006#sa-ns_mchannel=rss</link>

应该是

<link>http://www.bbc.co.uk/news/world-africa-23070006#sa-ns_mchannel=rss&ns_source=PublicRSS20-sa</link>

(并且是，如果循环被省略)并根据警告

Warning: main(): unterminated entity reference ns_source=PublicRSS20-sa in /private/tmp/beeb.php on line 15

当我将 htmlspecialchars 应用于 $node->textContent 时，它工作正常，但我觉得这样做很不舒服。

Answer 1

您的问题基本上是是否设置 DOMText::nodeValue到 XML 编码字符串或逐字字符串。

所以让我们尝试一下，将其设置为 & 和 '& 看看会发生什么:

$doc = new DOMDocument();
$doc->loadXML('<root>*</root>');

$text = $doc->documentElement->childNodes->item(0);

echo "Before Edit: ", $doc->saveXML($text), "\n";

$text->nodeValue = "&";

echo "After Edit 1: ", $doc->saveXML($text), "\n";

$text->nodeValue = "&amp;";

echo "After Edit 2: ", $doc->saveXML($text), "\n";

然后输出如下(PHP 5.0.0 - 5.5.0):

Before Edit: *
After Edit 1: &
After Edit 2: &

这表明设置 DOMText 节点的 nodeValue 需要 UTF-8 编码字符串，DOM 库会自动对 XML 保留字符进行编码。

因此，您不应将 htmlspecialchars() 应用到以这种方式添加的任何文本上。这会产生双重编码。

当您编写时，您会遇到相反的情况，我建议您在命令行上/在您的 IDE 中执行一个独立的 PHP 示例，以便您可以准确地看到输出。并不是说您的浏览器将其呈现为 HTML，然后您认为保留的 XML 字符未被编码。

---

正如您所指出的，您不是在编辑 DOMText，而是在编辑 DOMElement 节点。它的工作方式有点不同，这里 & 字符需要作为实体 & 而不是逐字传递，但是只有这个字符。

所以这需要更多的工作:

1. 读出文本内容并将其转换为DOMText 节点。一切都将被完美编码。
2. 删除元素节点的节点值，使其为空。
3. 将 DOMText 节点表单附加为子节点。

完成了。这里你的内部 foreach 修改显示:

foreach($node_list as $node) {
    $text = $doc->createTextNode($node->textContent);
    $node->nodeValue = "";
    $node->appendChild($text);
}

对于你的具体例子，尽管我必须承认我不明白你为什么这样做，因为这不会改变值(value)，所以它不需要这个。

Tip: In PHP DOMDocument can open this feed directly, you don't need curl here:

$doc = new DOMDocument();
$doc->load("http://feeds.bbci.co.uk/news/rss.xml?edition=uk");