DOM, который позволяет HTML5-стиль</in <script> тег

Обновление: html5lib (внизу вопроса), похоже, близко, мне просто нужно улучшить свое понимание того, как оно используется.

Я пытаюсь найти HTML-совместимый парсер DOM для PHP 5.3. В частности, мне нужно получить доступ к следующему HTML-подобному CDATA в теге script:

<script type="text/x-jquery-tmpl" id="foo">
    <table><tr><td>${name}</td></tr></table>
</script>

Большинство парсеров перестанут разбираться преждевременно, потому что HTML 4.01 завершает script разбор тегов, когда он находит ETAGO (</) внутри тега <script>. Тем не менее, HTML5 позволяет </ до </script>. Все парсеры, которые я пробовал до сих пор, либо потерпели неудачу, либо они настолько плохо документированы, что я не понял, работают ли они или нет.

Мои требования:

Реальный парсер, а не регулярные выражения.
Возможность загрузки полных страниц или фрагментов HTML.
Возможность вытащить содержимое script, выбрав атрибут идентификатора тега.

Input:

<script id="foo"><td>bar</td></script>

Пример выхода с ошибкой (без закрытия </td>):

<script id="foo"><td>bar</script>

Некоторые парсеры и их результаты:

DOMDocument (сбой)

Источник:

<?php

header('Content-type: text/plain');
$d = new DOMDocument;
$d->loadHTML('<script id="foo"><td>bar</td></script>');
echo $d->saveHTML();

Вывод:

Warning: DOMDocument::loadHTML(): Unexpected end tag : td in Entity, line: 1 in /home/adam/public_html/2010/10/26/dom.php on line 5
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><head><script id="foo"><td>bar</script></head></html>

FluentDOM (сбой)

Источник:

<?php

header('Content-type: text/plain');
require_once 'FluentDOM/src/FluentDOM.php';
$html = "<html><head></head><body><script id='foo'><td></td></script></body></html>";
echo FluentDOM($html, 'text/html');

Вывод:

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><head></head><body><script id="foo"><td></script></body></html>

phpQuery (сбой)

Источник:

<?php

header('Content-type: text/plain');

require_once 'phpQuery.php';

phpQuery::newDocumentHTML(<<<EOF
<script type="text/x-jquery-tmpl" id="foo">
<td>test</td>
</script>
EOF
);

echo (string) pq ('# foo');

Вывод:

<script type="text/x-jquery-tmpl" id="foo">
<td>test
</script>

html5lib (проходит)

Возможно многообещающий. Могу ли я получить содержимое тега script#foo?

Источник:

<?php

header('Content-type: text/plain');

include 'HTML5/Parser.php';

$html = "<!DOCTYPE html><html><head></head><body><script id='foo'><td></td></script></body></html>";
$d = HTML5_Parser::parse($html);

echo $d->saveHTML();

Вывод:

<html><head></head><body><script id="foo"><td></td></script></body></html>

Ответы

Ответ 1

У меня была такая же проблема, и, судя по всему, вы можете взломать этот путь, загрузив документ в формате XML и сохраните его как HTML:)

$d = new DOMDocument;
$d->loadXML('<script id="foo"><td>bar</td></script>');
echo $d->saveHTML();

Но, конечно, разметка должна быть безошибочной для работы loadXML.

Ответ 2

Re: html5lib

Вы нажимаете на вкладку загрузки и загружаете PHP-версию парсера.

Вы распаковываете архив в локальной папке

 tar -zxvf html5lib-php-0.1.tar.gz
 x html5lib-php-0.1/
 x html5lib-php-0.1/VERSION
 x html5lib-php-0.1/docs/
 ... etc

Вы меняете каталоги и создаете файл с именем hello.php

cd html5lib-php-0.1
touch hello.php

Вы помещаете следующий код PHP в hello.php

$html = '<html><head></head><body>
<script type="text/x-jquery-tmpl" id="foo">
<table><tr><td>${name}</td></tr></table>
</script> 
</body></html>';
$dom = HTML5_Parser::parse($html); 
var_dump($dom->saveXml()); 
echo "\nDone\n";

Вы запускаете hello.php из командной строки

php hello.php

Парсер проанализирует дерево документа и вернет объект DOMDocument, который можно манипулировать как любой другой объект DOMDocument.

Ответ 3

FluentDOM использует DOMDocument, но блокирует загрузки уведомлений и предупреждений. У него нет собственного парсера. Вы можете добавить свои собственные загрузчики (например, тот, который использует html5lib).

Ответ 4

Я добавил теги комментариев () в мои блоки шаблонов jQuery (блоки CDATA также не удалось), а DOMDocument не коснулся внутреннего HTML.

Затем, прежде чем я использовал шаблоны jQuery, я написал script, чтобы удалить комментарии.

$(function() {
    $('script[type="text/x-jquery-tmpl"]').text(function() {
        // The comment node in this context is actually a text node.
        return $.trim($(this).text()).replace(/^<!--([\s\S]*)-->$/, '$1');
    });
});

Не идеально, но я не был уверен в лучшем обходном пути.

Ответ 5

Я столкнулся с этой точной проблемой.

PHP Dom Document анализирует html внутри тега script и может фактически привести к совершенно другому dom.

Так как я не хотел использовать другую библиотеку, кроме DomDocument. Я написал несколько строк, которые разбивают содержимое script, тогда вы делаете то, что когда-либо нужно делать с документом dom, а затем вы добавляете этот контент script.

Очевидно, что содержимое script недоступно для вашего объекта dom, потому что оно пусто.

Со следующими строками php-кода вы можете "исправить" эту проблему. Будьте осторожны, что теги script в тегах скриптов вызовут ошибку.

$scripts = array();
// this will select all script tags non-greedy. If you have a script tag in your script tag, it will cause problems.
preg_match_all("/((<script.*>)(.*))\/script>/sU", $html, $scripts);
// Make content of scripts empty
$html = str_replace($scripts[3], '', $html);

// Do DOM Document stuff here

// Put script contents back
$html = str_replace($scripts[2], $scripts[1], $html);

Надеюсь, это поможет некоторым людям: -).