PHP HTML Tidy：缓冲区的大小限制答案

【问题标题】：PHP HTML Tidy: size limit to bufferPHP HTML Tidy：缓冲区的大小限制
【发布时间】：2013-04-04 16:00:59
【问题描述】：

我正在尝试使用作为 PHP (http://www.php.net/manual/en/book.tidy.php) 一部分的 HTML Tidy 实现来重新格式化大量 HTML。我遇到了一个问题，其中 Tidy 将输出截断超过某个点（大约 8K）。

当我创建一个大约 10K 长的字符串并将其交给 tidy_repair_string 时，如下所示：

$output = tidy_repair_string($output, array( 
    'indent' => true, // enforce indentation 
    'hide-comments' => true, // Remove the comments 
    'wrap' => 100, // Break each line after 100 chars 
    'output-html' => true, // Output as HTML 
    'char-encoding' => $encoding // The input/output encoding 
), $encoding);

我删除了 8,070 个字符后的所有内容。如果我用 10 个字符填充字符串的开头，那么末尾正好有 10 个字符。
有没有办法更改 tidy_repair_string 的缓冲区大小，使其更大？

看着http://www.php.net/manual/en/tidy.getconfig.php，似乎没有配置选项，Google 非常无用/我的 Google-fu 让我失望了，而且没有大量的文档。任何帮助将不胜感激！

编辑：我在 Windows 7 上使用 xampp-portable-lite-win32-1.8.1-VC9。即使我将 php.ini 更改为使用 memory_limit = 900M，问题仍然存在

【问题讨论】：

可能是存入文件并解析文件，而不是字符串？

标签： php htmltidy

【解决方案1】：

好吧，我能想到这可能失败的几个原因。

您已经超出了您的内存限制，不仅仅是这个函数调用，而是将变量加载到内存中以及您正在进行的任何预处理。要对此进行测试，您可以尝试将 php.ini 中的内存限制增加到非常高的值，或者您可以使用 memory_get_usage()。在创建对象之前运行一次，然后在创建对象后再次运行，并获取两个结果之间的差异。 (How to find memory used by an object in PHP? (sizeof))
PHP tidy 在 Linux 的 tidy 程序的一个版本上进行引导。我知道不久前，该程序一次限制为 4096 个字符（http://www.autoitscript.com/forum/topic/129973-tidy-4096-char-limit/），但看起来该错误已得到修复。不过，我建议只是测试该理论的方法是回显您的 10K 字符串（这需要一分钟），然后直接通过 bash 的 tidy 程序运行。我决定自己测试这个理论：

来自 BASH，echo $(python -c 'print 20000*"a"') > test_file。因为一个 char 是 1 个字节，这个命令应该为我们创建一个 20K 的文件。显然，这不会通过 tidy 验证，但它是一些不错的垃圾文本，我可以扔给程序。现在用tidy < test_file 将它输入到 tidy（如果你在命令行上没有 tidy，sudo apt-get install tidy）。对我来说，这不会失败，但也许试一试。如果它没有失败，那么它不是特定于引导的 bash tidy 程序。

*现在我们已经消除了 php.ini 和实际的 bash tidy 程序的问题。

然后我尝试重新创建您的错误。

我开始使用上面的注释，解析文件而不是字符串。

<?PHP
$output = tidy_repair_file("test_file");

print strlen($output);
?>

对于 tidy_repair_file strlen，我得到了 20111（其中额外的 111 个字符来自整齐的格式。没有截断。然后我尝试将其读入活动内存并将其解析为字符串。

<?PHP
$data = readfile("test_file"); //read a 20K file into active memeory

$encoding = "ascii"; //I just set my encoding to 'ascii' because I like it...

$output = tidy_repair_string($data, array(
'indent' => true, // enforce indentation
'hide-comments' => true, // Remove the comments
'wrap' => 100, // Break each line after 100 chars
'output-html' => true, // Output as HTML
'char-encoding' => $encoding // The input/output encoding
), $encoding);

print strlen($output);
?>

我显然在这里做错了，因为我的垃圾文件回显给我，然后是“132”，这是一个基本的 HTML 文件：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 3.2//EN">
<html>
  <head>
    <title></title>
  </head>
  <body>
    20001
  </body>
</html>

虽然我做错了什么，但此输出确实告诉我我正在解析一个没有截断的 20K 文件。

还值得注意的是，我在提示符中使用php test.php 并通过网络浏览器运行它都尝试了此代码。我得到相同的结果。没有截断。值得一提的是，我透露我是在 Ubuntu Server 而非 Windows IIS 上运行它的。

尝试将您的变量输出到一个文件，然后针对它运行 tidy_repair_file()。显然，这种解决方案是不可持续的，也不会扩展，但它会通知您原始字符串是否存在问题。

另外，请尝试在您的 tidy 调用之前和之后在 $output 上运行 strlen() - 确保您的字符串在 tidy 之前是 10K 字符串...只是作为健全性检查。

祝你好运，我希望这会有所帮助！

【讨论】：

哇！非常感谢您的周到、周到的回复！（我希望我有更多的支持:)）。我用来测试问题的代码位于pastebin.com/fum84SpW。第 1 步：我尝试在 php.ini 中使用 memory_limit = 900M 将内存限制更改为 900 MB。它仍在发生。第 2 步：我不确定如何从命令行运行 HTML tidy，以便它使用 php 使用的 php_tidy.dll。第 3 步：您的帖子提醒我，我可能应该指定我正在使用的平台 - Windows 上的 XAMPP。我会去编辑原始帖子以明确这一点。