当它因“htmlParseEntityRef：无名称”错误而失败时如何加载HTMLFile（）？

Question

我正在尝试将字符串“hinson lou ann”取出：

 <div class='owner-name'>hinson lou ann</div>

当我运行以下命令时：

$html = "http://gisapps.co.union.nc.us/ws/rest/v2/cm_iw.ashx?gid=12339";
$doc  = new DOMDocument();
$doc->loadHTMLFile($html);
$xpath    = new DOMXpath($doc);
$elements = $xpath->query("*/div[@class='owner-name']");
if (!is_null($elements)) {
    foreach ($elements as $element) {
        echo "<br/>[" . $element->nodeName . "]";
        $nodes = $element->childNodes;
        foreach ($nodes as $node) {

            echo $node->nodeValue . "\n";
        }
    }
}

我收到以下错误：

警告：DOMDocument::loadHTMLFile() [domdocument.loadhtmlfile]: htmlParseEntityRef：http://gisapps.co.union.nc.us/ws/rest/v2/cm_iw.ashx?gid=12339 中没有名称，行：/home 中的 1...在线...

指的是loadHTMLFILE这一行。

注意：该文件不是有效的 HTML，它只包含 div 标记！什么是我加载文件然后在上面打了HTMLbody标签？

Answer 1

远程站点可能会返回导致此警告的无效 HTML。 DOMDocument 和 DOMXPath 在 HTML 错误的情况下非常宽容。如果在调用 DOMDocument::loadHTML() 后只有一个警告，而其余代码产生有效结果，我建议您使用静默运算符 @ 抑制警告：

$doc = new DOMDocument();

// suppress warnings
$ret = @$doc->loadHTML($html);

// but check errors ...
if($ret === FALSE) {
    die('Parse error');
}

Answer 2

如果你真的必须尝试解析它，试试这个：

<?php
$html = file_get_contents("http://gisapps.co.union.nc.us/ws/rest/v2/cm_iw.ashx?gid=12339");
$doc = new DOMDocument();
$doc->strictErrorChecking = false;
$doc->recover=true;
@$doc->loadHTML("<html><body>".$html."</body></html>");

$xpath = new DOMXpath($doc);
$elements = $xpath->query("//*/div[@class='owner-name']");

if (!is_null($elements)) {
   foreach ($elements as $element) {
      echo "<br/>[". $element->nodeName. "]";
      $nodes = $element->childNodes;
      foreach ($nodes as $node) {
         echo $node->nodeValue. "\n";
     }
   }
 }
?>

PS：您的 XPath 错误，我已修复。您的 $nodes 将没有任何内容，因为该 DIV 元素 (.owner-name) 没有任何子元素。所以您需要修改它。

Answer 3

只需从源代码构建一个 HTML 文档，将其包装在缺少的元素中就可以了。

例如：-

<?php
$html = file_get_contents('http://gisapps.co.union.nc.us/ws/rest/v2/cm_iw.ashx?gid=12339');
$html = sprintf('<html><head><title></title></head><body>%s</body></html>', $html);

$doc = new DOMDocument;
$doc->loadHTML($html);

$xpa    = new DOMXPath($doc);
$divs   = $xpa->query('//div[@class="owner-name"]');

foreach($divs as $div) {
    echo $div->nodeValue, PHP_EOL;
}

/*
    hinson lou ann
*/

Answer 4

您收到错误是因为您加载的 HTML 包含 & 字符，而不是有效的 HTML 实体。缺少实体的名称：

... <td>HINSON J MARK & WF LOU ANN G</td> ...
                      ^

在加载此类文档时，您会在这些情况下看到错误（如您所写）：

警告：DOMDocument::loadHTMLFile(): htmlParseEntityRef: 无名

name 与 HTML Entity (reference) 的名称相关，通过模式：

&name;
 ^^^^

但是，此错误不会导致实际加载该 HTML 出现任何问题。 DOMDocument 可以很好地处理这个（常见）错误（但是您可能会遇到a cut-off at the problematic position）。

因此，您需要将该文件包装到 <body> 标记中的假设是错误的。在 HTML 中，<body> 标签是可选的。

您的具体问题是您无法理解如何在加载 HTML 文件后对其进行调试。只需使用saveHTML method 输出可以成功加载的内容。这样做已经表明该 URL 已成功加载。

接下来会引导您指出 Xpath 表达式是错误的：

*/div[@class='owner-name']

尽管您对<body> 标记的了解并不遥远：即使该HTML 片段不包含<body> 标记，DOM 也会拥有它！虽然里面有两个标签：

body/*/*/div[@class='owner-name']

最常见的缩写形式是使用//，它允许不明确表示标签位于哪个深度：

//div[@class='owner-name']

参见：

• Disable warnings when loading non-well-formed HTML by DomDocument (PHP)
• Remove &amp from string when writing to xml in PHP