PHP Tidy去除空格并插入新行

Question

我想使用PHP Tidy在将xml加载到DomDocument之前确保它是有效的。

但是，我不希望Tidy改变我的格式 - 我只想让它修复诸如不平衡的标签等问题。

问题的示例可在此页面上查看：http://www.tek-tips.com/viewthread.cfm?qid=1654452

下面是我的一个示例。

输入：<ex><context>собр<stress>а</stress>ние</context> акцион<stress>е</stress>ров — <stress>aa</stress>ndeelhoudersvergadering</ex>（这已经是有效的xml了）

期望的输出：<ex><context>собр<stress>а</stress>ние</context> акцион<stress>е</stress>ров — <stress>aa</stress>ndeelhoudersvergadering</ex> （在</context>和актион之间有断开的空格）

实际输出：

<ex>
<context>собр
<stress>а</stress>ние</context>акцион
<stress>е</stress>ров — 
<stress>aa</stress>ndeelhoudersvergadering</ex>

我的代码是：

</context>актион

它移除了</context>和актион之间的空格，这会导致文本无法阅读，并在每个标记后插入了新行。

function TidyXml($inputXml)
    {
        $config = array(
            'indent'         => false,
            'output-xml'     => true,
            'input-xml'     => true,
        );

        $tidy = new tidy();
        $tidy->parseString($inputXml, $config, 'utf8');
        $tidy->cleanRepair();
        $cleanXml = tidy_get_output($tidy);
        return $cleanXml;
    }

我尝试了几个选项，但没有成功。

- hansmbakker

---

http://tidy.sourceforge.net/docs/quickref.html#output-xml - hakre

PHP Simple HTML DOM解析器比大多数解析器更宽松。http://simplehtmldom.sourceforge.net/ - Petah

@hakre 我删除了除'input-xml' => true之外的所有设置（因为否则它会输出完整的HTML文档）。然而，这并没有帮助。我还尝试设置'output-xml' => false，但这也没有帮助。有什么办法可以防止剥离/修剪和格式化吗？ - hansmbakker

我在https://dev59.com/rVHTa4cB1Zd3GeqPR3yZ上找到了这个问题，但是对我来说似乎很奇怪，无法关闭格式化（换行和修剪）。 - hansmbakker

@Petah 看起来更偏向于 HTML。我试过了，但它无法修复我输入的损坏的 XML。例如 <context><abbr>geog.</abbr> 应该被修复为 <context><abr>geog.</abr></context> 以使标签平衡。 - hansmbakker

Answer 1

我找到了一个解决方法，但它有些“hackish”，所以我仍然希望有更好的建议。

将您想要验证的xml放在<pre>标签中（这将告诉Tidy不要更改空格），然后使用设置为true的output-html修复xml，最后删除<pre>标签和\n换行符。

例如：

$config = array(
    'indent' => false,
    'indent-attributes' => false,
    'output-html' => true,
    'input-xml' => true,
    'wrap' => 0,  
    'vertical-space' => false,  
    'new-inline-tags' => 'context,abr,stress',  
    'new-blocklevel-tags'   => 'def,ex,examples'
);

$tidy = new tidy();
$inputXml = "<pre>" . $inputXml . "</pre>";
$validXml = $tidy->repairString($inputXml, $config, 'utf8');
$cleanXml = str_replace("\n", "", $validXml);
$cleanXml = substr($cleanXml, strlen("<pre>"), strlen($cleanXml));  
$cleanXml = substr($cleanXml, 0, strlen($cleanXml)-strlen("</pre>"));

- hansmbakker

Answer 2

在我的情况下，我能够运行一个替换操作来移除html中的多个空行并防止Tidy添加断行符。 $html = preg_replace("/\n([\s]*)\n/", "\r\n", $html);

- user1938896