DOMDocument->saveHTML() 与带有商业符号 (@) 的 urlencode

Question

使用DOMDocument()，我将替换$message 中的链接并添加一些内容，例如[@MERGEID]。当我使用$dom_document->saveHTML() 保存更改时，链接会得到“某种”url 编码。 [@MERGEID] 变为 %5B@MERGEID%5D。

稍后在我的代码中，我需要用一个 ID 替换 [@MERGEID]。所以我搜索urlencode('[@MERGEID]') - 但是，urlencode() 将符号 (@) 上的广告更改为 %40，而 saveHTML() 没有处理它。所以没有匹配 - '%5B@MERGEID%5D' != '%5B%40MERGEID%5D'

现在，我知道可以运行 str_replace('%40', '@', urlencode('[@MERGEID]')) 来获取在 $message 中定位合并变量所需的内容。

我的问题是，DOMDocument 使用的是什么 RFC 规范，为什么它与 urlencode 甚至 rawurlencode 不同？我能做些什么来保存 str_replace 吗？

演示代码：

$message = '<a href="http://www.google.com?ref=abc" data-tag="thebottomlink">Google</a>';
$dom_document = new \DOMDocument();
libxml_use_internal_errors(true); //Supress content errors
$dom_document->loadHTML(mb_convert_encoding($message, 'HTML-ENTITIES', 'UTF-8'));       
$elements = $dom_document->getElementsByTagName('a');
foreach($elements as $element) {    
    $link = $element->getAttribute('href'); //http://www.google.com?ref=abc
    $tag = $element->getAttribute('data-tag'); //thebottomlink
    if ($link) {
        $newlink = 'http://www.example.com/click/[@MERGEID]?url=' . $link;
        if ($tag) {
            $newlink .= '&tag=' . $tag;
        } 
        $element->setAttribute('href', $newlink);
    }
}
$message = $dom_document->saveHTML();
$urlencodedmerge = urlencode('[@MERGEID]');
die($message . ' and url encoded version: ' . $urlencodedmerge); 
//<a data-tag="thebottomlink" href="http://www.example.com/click/%5B@MERGEID%5D?url=http://www.google.com?ref=abc&amp;tag=thebottomlink">Google</a> and url encoded version: %5B%40MERGEID%5D

Answer 1

我相信这两种编码有不同的用途。 urlencode() 编码"a string to be used in a query part of a URL"，而$element->setAttribute('href', $newlink); 编码一个完整的 URL 以用作 URL。

例如：

urlencode('http://www.google.com'); // -> http%3A%2F%2Fwww.google.com

这便于编码查询部分，但不能用于<a href='...'>。

但是：

$element->setAttribute('href', $newlink); // -> http://www.google.com

将正确编码字符串，使其在href 中仍然可用。它无法编码@ 的原因是它无法判断@ 是查询的一部分还是userinfo 或email url 的一部分（例如：mailto:invisal@google.com 或invisal@127.0.0.1）

---

解决方案

1. 您可以使用@@MERGEID@@，而不是使用[@MERGEID]。然后，您稍后将其替换为您的 ID。此解决方案甚至不需要您使用urlencode。

2. 如果你坚持使用urlencode，你可以用%40代替@。因此，您的代码将是这样的$newlink = 'http://www.example.com/click/[%40MERGEID]?url=' . $link;

3. 你也可以做类似$newlink = 'http://www.example.com/click/' . urlencode('[@MERGEID]') . '?url=' . $link;

Answer 2

urlencode函数和rawurlencode大多基于RFC 1738。但是，自 2005 年以来，当前用于 URI 标准的 RFC 是RFC 3986。

另一方面，DOM 扩展使用基于 RFC 3629 的 UTF-8 编码。使用 utf8_encode() 和 utf8_decode() 处理 ISO-8859-1 编码的文本或使用 Iconv 处理其他编码。

通用 URI 语法要求新的 URI 方案提供 URI 中字符数据的表示必须，实际上， 表示未翻译的未保留集中的字符，并且 应根据 UTF-8 将所有其他字符转换为字节，并且 然后对这些值进行百分比编码。

这是一个根据RFC 3986解码URL的函数。

<?php
    function myUrlEncode($string) {
       $entities = array('%21', '%2A', '%27', '%28', '%29', '%3B', '%3A', '%40', '%26', '%3D', '%2B', '%24', '%2C', '%2F', '%3F', '%25', '%23', '%5B', '%5D');
       $replacements = array('!', '*', "'", "(", ")", ";", ":", "@", "&", "=", "+", "$", ",", "/", "?", "%", "#", "[", "]");
       return str_replace($entities, $replacements, urldecode($string));
    }
?>

PHP Fiddle.

---

更新：

由于UTF8已被用于编码$message：

$dom_document->loadHTML(mb_convert_encoding($message, 'HTML-ENTITIES', 'UTF-8'))

在返回不带百分比的 URL 时使用 urldecode($message)。

die(urldecode($message) . ' and url encoded version: ' . $urlencodedmerge); 

Answer 3

从技术角度来看问题的根本原因has been very well explained。

然而，在我看来，您的方法存在概念上的缺陷，它造成了您现在正试图解决的情况。

通过 DomDocument 对象处理您的输入$message，您已移至更高级别的抽象。将已“提升”为 HTML 流的内容作为唯一的纯字符串进行操作是错误的。

不要试图重现 DomDocument 的行为，而是使用库本身来定位、提取和替换感兴趣的值：

$token = 'blah blah [@MERGEID]';
$message = '<a id="' . $token . '" href="' . $token . '"></a>';

$dom = new DOMDocument();
$dom->loadHTML($message);
echo $dom->saveHTML(); // now we have an abstract HTML document

// extract a raw value
$rawstring = $dom->getElementsByTagName('a')->item(0)->getAttribute('href');
// do the low-level fiddling
$newstring = str_replace($token, 'replaced', $rawstring);
// push the new value back into the abstract black box.
$dom->getElementsByTagName('a')->item(0)->setAttribute('href', $newstring);

// less code written, but works all the time
$rawstring = $dom->getElementsByTagName('a')->item(0)->getAttribute('id');
$newstring = str_replace($token, 'replaced', $rawstring);
$dom->getElementsByTagName('a')->item(0)->setAttribute('id', $newstring);

echo $dom->saveHTML();

如上图所示，今天我们试图解决您的令牌在 href 内的问题，但有一天我们可能想要搜索并替换文档中其他地方的标签。考虑到这种情况，不要费心让您的低级代码支持 HTML。

（另一种选择是在所有低级替换完成之前不加载 DomDocument，但我猜这不切实际）

---

完整的概念证明：

function searchAndReplace(DOMNode $node, $search, $replace) {
    if($node->hasAttributes()) {
        foreach ($node->attributes as $attribute) {
            $input = $attribute->nodeValue;
            $output = str_replace($search, $replace, $input);
            $attribute->nodeValue = $output;
        }
    }

    if(!$node instanceof DOMElement) { // this test needs double-checking
        $input = $node->nodeValue;
        $output = str_replace($search, $replace, $input);
        $node->nodeValue = $output;
    }

    if($node->hasChildNodes()) {
        foreach ($node->childNodes as $child) {
            searchAndReplace($child, $search, $replace);
        }
    }
}

$token = '<>&;[@MERGEID]';
$message = '<a/>';

$dom = new DOMDocument();
$dom->loadHTML($message);

$dom->getElementsByTagName('a')->item(0)->setAttribute('id', "foo$token");
$dom->getElementsByTagName('a')->item(0)->setAttribute('href', "http://foo@$token");
$textNode = new DOMText("foo$token");
$dom->getElementsByTagName('a')->item(0)->appendchild($textNode);

echo $dom->saveHTML();

searchAndReplace($dom, $token, '*replaced*');

echo $dom->saveHTML();

Answer 4

如果您使用saveXML()，它不会像saveHTML() 那样混淆编码：

PHP

//your code...
$message = $dom_document->saveXML();

EDIT：同时删除 XML 标签：

//this will add an xml tag, so just remove it
$message=preg_replace("/\<\?xml(.*?)\?\>/","",$message);

echo $message;

输出

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body><a href="http://www.example.com/click/[@MERGEID]?url=http://www.google.com?ref=abc&amp;tag=thebottomlink" data-tag="thebottomlink">Google</a></body></html>

请注意，两者仍然正确地将& 转换为&

Answer 5

首先对原始的 [@mergeid] 进行 urlencode 并保存它是否没有意义？然后您的搜索应该匹配而不需要 str_replace？

$newlink = 'http://www.example.com/click/'.urlencode('[@MERGEID]').'?url=' . $link;

我知道这不能回答问题的第一篇文章，但据我所知，您不能在 cmets 中发布代码。