QueryPath 用其中的 HTML 字符串打破脚本标签

Question

想知道是否有其他人遇到过这个问题以及他们是否找到了解决方案。

我有一个使用 QueryPath 的 htmlqp() 方法解析网页（我无法控制）的应用程序。

我遇到的问题是，任何时候解析的页面恰好有一个内联 <script> 标记，其中包含一些 javacript，其中还引用了某种 HTML 字符串，QueryPath 的 @987654323 @ 方法试图通过在 javascript 中添加换行符、关闭标签和其他废话来“修复”HTML，这反过来又破坏了页面上的所有 javascript（在某些情况下，HTML）。

例如：

<script>
     var $jQ = jQuery.noConflict();
     // Use jQuery via $jQ(...)
     $jQ(document).ready(function(){
       $jQ("#mktFrmSubmit").wrap("<div class='buttonSubmit'></div>");
       $jQ(".buttonSubmit").prepend("<span></span>");
     });
   </script>

-变成-

<script>
     var $jQ = jQuery.noConflict();
     // Use jQuery via $jQ(...)
     $jQ(document).ready(function(){
       $jQ("#mktFrmSubmit").wrap("<div class='buttonSubmit'></script>
</div>");
       $jQ(".buttonSubmit").prepend("<span></span>");
     });

显然，后者明显破裂。

有谁知道如何阻止 QueryPath 这样做？或者也许让它忽略 <script> 标签正文中的一般内容？

谢谢。

Answer 1

我们建议使用 HTML5-PHP 库来解析 HTML。 PHP 中内置的旧 HTML4.01 解析器（通过 libxml）对于 JavaScript 来说并不是特别好。但较新的 HTML5 PHP 库是为处理此类情况而构建的。

这是图书馆：

https://github.com/Masterminds/html5-php

Matt Farina 写了一篇很好的介绍如何结合使用这两个库：

http://engineeredweb.com/blog/2014/querypath-html5-php/