PHP DOMDocument 命名空间

Question

我正在编写一个脚本，用于检测网页中类似Facebook点赞按钮的使用次数。由于最好使用DOM来完成此任务，所以我决定使用PHP的DOMDocument。

然而，我遇到了一个问题，那就是对于像Facebook点赞按钮这样的元素：

<fb:like send="true" width="450" show_faces="true"></fb:like>

由于该元素在技术上具有“fb”命名空间，DOMDocument会发出警告，称此命名空间前缀未定义。然后它继续剥离前缀，因此当我到达该元素时，其标记不再是fb:like，而是like。

有没有任何方法可以“预注册”命名空间？有什么建议吗？

- Obto

Answer 1

在使用xml解析器之前，您可以使用tidy来优化内容。

$tidy = new tidy();
$config = array(
    'output-xml'   => true, 
    'input-xml'    => true, 
    'add-xml-decl' => true,
);
$tidy->ParseString($htmlSoup, $config);
$tidy->cleanRepair();
echo $tidy;

- goat

Answer 2

由于这个问题从未被“解决”，所以我决定实现syndance的解决方案，为那些不喜欢解决正则表达式的人提供帮助。

// do this before you use loadHTML()    
// store any name spaced elements so we can re-add them later
$postContent = preg_replace('/<(\w+):(\w+)/', '<\1 data-namespace="\2"' , $postContent);

// once you are done using domdocument fix things up
// re-construct any name-spaced tags
$postContent = preg_replace('/<(\w+) data-namespace="(\w+)"/', '<\1:\2 ' , $postContent);

- lupos

---

这是一个很好的开始，但似乎会在破折号后截断标签。例如，gcse:searchbox-resultsonly 变成了 gcse:searchbox。 - MadtownLems

Answer 3

我遇到了同样的问题，并想出了以下解决方案/变通方法：

使用DOMDocument解析具有命名空间的HTML时，没有很好的方法可以不丢失命名空间，但是有一些变通方法：

• 使用另一个解析器来接受HTML代码中的命名空间。在这里查看一个漂亮而详细的HTML解析器列表。这可能是最有效的方法。

• 如果您想坚持使用DOMDocument，您基本上必须对代码进行预处理和后处理。

  • 在将代码发送到DOMDocument->loadHTML之前，使用正则表达式、循环或任何您想要的方式查找所有带命名空间的标记，并向包含命名空间的开放标记添加自定义属性。

    <fb:like send="true" width="450" show_faces="true"></fb:like>
    

    然后会得到

    <fb:like xmlNamespace="fb" send="true" width="450" show_faces="true"></fb:like>
    

  • 现在将编辑后的代码提供给DOMDocument->loadHTML。它将剥离命名空间，但保留属性，结果如下：

    <like xmlNamespace="fb" send="true" width="450" show_faces="true"></like>
    

  • 现在（再次使用正则表达式、循环或任何您想要的方式）查找所有具有xmlNamespace属性的标记，并用实际的命名空间替换该属性。不要忘记还要将命名空间添加到关闭标记中！

我不认为楼主还在寻找答案，我只是为了那些在研究中发现这篇帖子的人而发布这个回复。

- Syndace

---

这听起来像是一个非常直接的解决方案，所以我决定采用它。以下是我最终得出的代码，供那些讨厌正则表达式的人使用。// 存储任何命名空间元素，以便稍后重新添加 $postContent = preg_replace('/<(\w+):(\w+)/', '<\1 namespace="\2"' , $postContent);// 重构任何命名空间标签 $postContent = preg_replace('/<(\w+) namespace="(\w+)"/', '<\1:\2 ' , $postContent); - lupos

Answer 4

这是您要找的吗？

您可以尝试使用SimpleHTMLDOM。然后您可以运行类似于...

$html = new simple_html_dom();
$html->load_file('fileToParse.html');
$count=0;
foreach($html->find('fb:like') as $element){
    $count+=1
}
echo $count;

那应该可以工作。

我再看了一下，找到了这个。我从PHP.net上的DOMDocument中获取了这个。

$dom = new DOMDocument;
$dom->loadHTML('fileToParse.html'); // or $dom->loadXML('fileToParse.html'); 
$likes = $dom->getElementsByTagName('fb:like');
$count=0;
foreach ($likes as $like) {
    $count+=1;
}

在这之后我卡住了

$file=file_get_contents("other.html");
$search = '/<fb:like[^>]*>/';
$count  = preg_match_all($search , $file, $matches);
echo $count;
//Below is not needed
print_r($matches);

然而，那是正则表达式，速度相当慢。我尝试过：

$dom = new DOMDocument;
$xpath = new DOMXPath($dom);
$dom->load("other.html");
$xpath = new DOMXPath($dom);
$rootNamespace = $dom->lookupNamespaceUri($dom->namespaceURI); 
$xpath->registerNamespace('fb', $rootNamespace); 
$elementList = $xpath->query('//fb:like'); 

但是我得到了和你一样的错误。

- Jonathan

---

我之前用过这个，但是为了速度起见，我想使用本地解决方案。不过，我可能不得不回到这个 :( - Obto

@Obto 我在我的小网站上使用它，所以速度方面没有问题。 - Jonathan

我已经更新了另一种解决方案，应该更快。 - Jonathan

很遗憾，这不起作用。在解析HTML时，fb命名空间前缀被剥离了。因此，在搜索时将找不到任何内容，您必须搜索“like”而不是“fb”。 - Obto

想过这样做，但页面根本无法解析。DOMDocument的loadHTML显然内置了大量的html信息。 - Obto

@Obto 我已经更新了代码，SimpleHTMLDOM和RegEx是我唯一能够使其正常工作的插件。抱歉。 - Jonathan

Answer 5

我还没有找到使用DOM的方法。我很惊讶正则表达式比DOMDocument慢，因为通常对我来说不是这种情况。strpos应该是最快的：

strpos($dom, '<fb:like');

这只能找到第一个出现的位置，但是你可以编写一个简单的递归函数来适当地更改偏移量。

- Explosion Pills

Answer 6

尝试了正则表达式的解决方案... 存在一个问题，即闭合标签不接受属性！

<ns namespace="node">text</ns>

最重要的是，正则表达式没有寻找闭合标签...

所以最后我做了一些丑陋的事情

$output = preg_replace('/<(\/?)(\w+):(\w+)/', '<\1\2thistaghasanamespace\3' , $output);

并且

$output = preg_replace('/<(\/?)(\w+)thistaghasanamespace(\w+)/', '<\1\2:\3' , $output);

- BernieMaier