如何从包含 html 标记但作为内容的一部分的 xml 文件中获取节点的内容

Question

有一个这样形成的 xml 文件：

<chapter id="1">
  <text line="1"> <p>HTML content 1</p> </text>
  <text line="2"> <q>HTML<q> content 2 </text>
  <text line="3"> HTML <b>content 3<b> </text>
</chapter>

使用 DOMDocument，我可以使用什么查询来获取与 <chapter id="1">...</chapter> 关联的所有内容，其中包含 HTML 标记？输出如下：

<p>HTML content 1</p>
<q>HTML<q> content 2
HTML <b>content 3<b>

PS： 从注释中，我认为哪个问题提出了不同的问题。我只是问是否可能以及如何处理节点内的内容，如果不存在，则忽略 html-tag 修改原始 xml。

Answer 1

您的xml字符串无效，必须先将text节点中的content转换为htmlEntities，例如：

$textContent = htmlentities($text);

之后，我们有：

$xmlText = '<chapter id="1">
  <text line="1"> &lt;p&gt;HTML content 1&lt;/p&gt; </text>
  <text line="2"> &lt;q&gt;HTML&lt;q&gt; content 2 </text>
  <text line="3"> HTML &lt;b&gt;content 3&lt;b&gt; </text>
</chapter>';

现在我们只需要使用SimpleXMLElement来解析：

$xmlObject = new SimpleXMLElement($xmlText);
$items = $xmlObject->xpath("text");
foreach ($items as $item){
    echo html_entity_decode($item);
}

更新 1

如果您无法更改 XML 字符串，则需要使用 regex 而不是 htmlDom：

function get_tag_contents( $tag, $xml ) {
    preg_match_all( "#<$tag .*?>(.*?)</$tag>#", $xml, $matches );

    return $matches[1];
}

$invalidXml = '<chapter id="1">
  <text line="1"> <p>HTML content 1</p> </text>
  <text line="2"> <q>HTML<q> content 2 </text>
  <text line="3"> HTML <b>content 3<b> </text>
</chapter>';

$textContents = get_tag_contents( 'text', $invalidXml );

foreach ( $textContents as $content ) {
    echo $content;
}