PHP解析无效的HTML

Question

我正在尝试解析一些不在我的服务器上的HTML。

    $dom = new DOMDocument();
    $dom->loadHTMLfile("http://www.some-site.org/page.aspx");      
    echo    $dom->getElementById('his_id')->item(0);

但是PHP返回了一个错误，类似于ID his_id已在http://www.some-site.org/page.aspx的第33行定义。我认为这是因为DOMDocument正在处理无效的HTML。那么，即使无效，我该如何解析它呢？

- kmunky

Answer 1

你需要在解析之前运行HTML Tidy来清理它。请访问HTML Tidy了解更多信息。

$html = file_get_contents('http://www.some-site.org/page.aspx');
$config = array(
  'clean' => 'yes',
  'output-html' => 'yes',
);
$tidy = tidy_parse_string($html, $config, 'utf8');
$tidy->cleanRepair();
$dom = new DOMDocument;
$dom->loadHTML($tidy);

请查看选项列表。

- cletus

---

可惜我没有安装 tidy :( - kmunky

@kmunky 为什么不呢？没有Tidy，你基本上就是一无所有了。 - cletus

我解决了这个问题...我已经安装了php_tidy，但是我遇到了以下错误：“实体中已定义ID top，在第52行”。 - kmunky

重复的 id，你需要自己修复它们（我已经经历过这一点了）。 - Andras Gyomrey

Answer 2

请查看：libxml_use_internal_errors() http://php.net/libxml_use_internal_errors

- Craig Francis

---

如果你只是想推荐一个链接，请在问题下面以评论的形式进行，而不要发布为答案。 - mickmackusa

Answer 3

阅读文档，我看到一个默认为TRUE的$dom->strictErrorChecking。如果将$dom->strictErrorChecking = false，会发生什么？

- Annika Backstrom