如何防止 PHP 的 DOMDocument 编码 html 实体？答案

【问题标题】：How do I prevent Php's DOMDocument from encoding html entities?如何防止 PHP 的 DOMDocument 编码 html 实体？
【发布时间】：2010-10-21 23:56:07
【问题描述】：

我有一个使用 PHP 的 DOMDocument 替换字符串中锚点的 href 属性的函数。这是一个sn-p：

$doc        = new DOMDocument('1.0', 'UTF-8');
$doc->loadHTML($text);
$anchors    = $doc->getElementsByTagName('a');

foreach($anchors as $a) {
    $a->setAttribute('href', 'http://google.com');
}

return $doc->saveHTML();

问题在于 loadHTML($text) 在 doctype、html、body 等标签中包围了 $text。我尝试通过这样做而不是 loadHTML() 来解决这个问题：

$doc        = new DOMDocument('1.0', 'UTF-8');
$node       = $doc->createTextNode($text);
$doc->appendChild($node);
...

不幸的是，这会编码所有实体（包括锚点）。有谁知道如何关闭这个？我已经彻底查看了文档并尝试破解它，但无法弄清楚。

谢谢！ :)

【问题讨论】：

对于 2022 年访问此内容的所有人：从 libxml 2.6 开始，loadHTML 支持防止添加周围 HTML 标记的选项：$contentDom->loadHTML($text, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);

标签： php anchor href domdocument createtextnode

【解决方案1】：

$text 是带有占位符锚标记的翻译字符串

如果这些占位符具有严格、定义明确的格式，则简单的 preg_replace 或 preg_replace_callback 可能会解决问题。
我不建议在一般情况下使用正则表达式来摆弄 html 文档，但对于定义明确的小子集，它们是合适的。

【讨论】：

【解决方案2】：

XML 只有very few predefined entities。您所有的 html 实体都在其他地方定义。当您使用 loadhtml() 时，这些实体定义会自动加载，而使用 loadxml()（或根本没有 load()）则不会。
createTextNode() 完全符合其名称的含义。您作为值传递的所有内容都被视为文本内容，而不是标记。 IE。如果您将具有特殊含义的内容传递给标记（、...），则它的编码方式是解析器可以将文本与实际标记（<、>、...）区分开来

$text 是从哪里来的？你不能在实际的 html 文档中进行替换吗？

【讨论】：

loadHTML，没有实体翻译发生。我最终通过运行 mb_substr($text, 122, -19); 以一种脆弱的方式解决了这个问题。 $doc->saveHTML() 的结果。哎呀！ :) $text 是带有占位符锚标记的翻译字符串，因此必须在运行时进行替换。我宁愿不解析整个文档，因为仅解析翻译的链接会很困难。好主意。

【解决方案3】：

我最终以一种微不足道的方式破解了这个，改变了：

return $doc->saveHTML();

进入：

$text       = $doc->saveHTML();
return mb_substr($text, 122, -19);

这消除了所有不必要的垃圾，改变了这一点：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" 
"http://www.w3.org/TR/REC-html40/loose.dtd"> <html><body><p>
You can <a href="http://www.google.com">click here</a> to visit Google.</p>
</body></html>

进入这个：

You can <a href="http://www.google.com">click here</a> to visit Google.

谁能找到更好的办法？

【讨论】：

【解决方案4】：

好的，这是我最终得到的解决方案。决定听从 VolkerK 的建议。

public static function ReplaceAnchors($text, array $attributeSets)
{
    $expression = '/(<a)([\s\w\d:\/=_&\[\]\+%".?])*(>)/';

    if (empty($attributeSets) || !is_array($attributeSets)) {
        // no attributes to set. Set href="#".
        return preg_replace($expression, '$1 href="#"$3', $text);
    }

    $attributeStrs  = array();
    foreach ($attributeSets as $attributeKeyVal) {
        // loop thru attributes and set the anchor
        $attributePairs = array();
        foreach ($attributeKeyVal as $name => $value) {
            if (!is_string($value) && !is_int($value)) {
                continue; // skip
            }

            $name               = htmlspecialchars($name);
            $value              = htmlspecialchars($value);
            $attributePairs[]   = "$name=\"$value\"";
        }
        $attributeStrs[]    = implode(' ', $attributePairs);
    }

    $i      = -1;
    $pieces = preg_split($expression, $text);
    foreach ($pieces as &$piece) {
        if ($i === -1) {
            // skip the first token
            ++$i;
            continue;
        }

        // figure out which attribute string to use
        if (isset($attributeStrs[$i])) {
            // pick the parallel attribute string
            $attributeStr   = $attributeStrs[$i];
        } else {
            // pick the last attribute string if we don't have enough
            $attributeStr   = $attributeStrs[count($attributeStrs) - 1];
        }

        // build a opening new anchor for this token.
        $piece  = '<a '.$attributeStr.'>'.preg_replace($expression, '$1 href="#"$3', $piece);
        ++$i;
    }

    return implode('', $pieces);

这允许使用一组不同的锚属性调用函数。

【讨论】：