DOMDocument::loadHTML

(PHP 5, PHP 7, PHP 8)

DOMDocument::loadHTML — 从字符串加载 HTML

说明

public DOMDocument::loadHTML(string $source, int $options = 0): bool

该函数解析字符串 source 中包含的 HTML。与加载 XML 不同，HTML 不必格式良好才能加载。

警告

此函数使用 HTML 4 解析器解析输入。现代 Web 浏览器使用的 HTML 5 的解析规则不同。根据输入，这可能会导致不同的 DOM 结构。因此，此函数不能安全地用于清理 HTML。

解析 HTML 时的行为可能取决于所使用的 libxml 版本，尤其是在边缘情况和错误处理方面。对于符合 HTML5 规范的解析，请使用 PHP 8.4 中添加的 Dom\HTMLDocument::createFromString() 或 Dom\HTMLDocument::createFromFile()。

例如，某些 HTML 元素在遇到时会隐式关闭父元素。自动关闭父元素的规则在 HTML 4 和 HTML 5 之间有所不同，因此 DOMDocument 所看到的 DOM 结构可能与 Web 浏览器所看到的 DOM 结构不同，这可能使攻击者能够破坏生成的 HTML。

参数

source: HTML 字符串。
options: 按位 OR 的 libxml 选项常量。

返回值

成功时返回 true，失败时返回 false。

错误/异常

如果将空字符串作为 source 传递，则会生成警告。此警告不是由 libxml 生成的，无法使用 libxml 的错误处理函数处理。

虽然格式错误的 HTML 应该成功加载，但此函数在遇到错误标记时可能会生成 E_WARNING 错误。可以使用 libxml 的错误处理函数来处理这些错误。

变更日志

版本	说明
8.3.0	此函数现在具有暂定的 bool 返回类型。
8.0.0	静态调用此函数现在将抛出 Error。以前，会引发 `E_DEPRECATED`。

范例

示例 #1 创建文档

<?php
$doc = new DOMDocument();
$doc->loadHTML("<html><body>Test<br></body></html>");
echo $doc->saveHTML();
?>

参见

DOMDocument::loadHTMLFile() - 从文件加载 HTML
DOMDocument::saveHTML() - 使用 HTML 格式将内部文档转储到字符串中
DOMDocument::saveHTMLFile() - 使用 HTML 格式将内部文档转储到文件中

改进此页面

了解如何改进此页面 • 提交拉取请求 • 报告错误

＋添加笔记

用户贡献的笔记 19 个笔记

上

下

138

mdmitry at gmail dot com ¶

14 年前

您也可以使用以下简单技巧将 HTML 加载为 UTF-8

<?php

$doc = new DOMDocument();
$doc->loadHTML('<?xml encoding="UTF-8">' . $html);

// 脏修复
foreach ($doc->childNodes as $item)
 if ($item->nodeType == XML_PI_NODE)
 $doc->removeChild($item); // 删除修复
$doc->encoding = 'UTF-8'; // 插入正确

?>

上

下

Shane Harter ¶

14 年前

DOMDocument 非常擅长处理不完美的标记，但它在处理时会到处抛出警告。

这里没有很好地记录这一点。解决这个问题的方法是实现一个单独的装置来处理这些错误。

在调用 loadHTML 之前设置 libxml_use_internal_errors(true)。这将阻止错误冒泡到您的默认错误处理程序。然后您可以使用其他 libxml 错误函数获取它们（如果您需要）。

您可以在此处找到更多信息 https://php.net/manual/en/ref.libxml.php

上

下

hanhvansu at yahoo dot com ¶

17 年前

在使用 loadHTML() 处理 UTF-8 页面时，您可能会遇到 DOM 函数的输出与输入不一致的问题。例如，如果您想获取“Cạnh tranh”，您将收到“Cáº¡nh tranh”。我建议我们在加载 UTF-8 页面之前使用 mb_convert_encoding
<?php 
 $pageDom = new DomDocument(); 
 $searchPage = mb_convert_encoding($htmlUTF8Page, 'HTML-ENTITIES', "UTF-8"); 
 @$pageDom->loadHTML($searchPage); 
 
?>

上

下

obayed dot opu at gmail dot com ¶

2 年前

要支持 HTML5，您必须通过将 `LIBXML_NOERROR` 作为 loadHTML 方法的选项来禁用 xml 错误处理。

示例

<?php
$doc = new DOMDocument();
$doc->loadHTML("<html><body>Test<br><section>I'M UNSUPPORTED</section></body></html>", LIBXML_NOERROR);
echo $doc->saveHTML();
?>

上

下

bigtree at DONTSPAM dot 29a dot nl ¶

19 年前

注意加载字符集与 iso-8859-1 不同的 html。由于此方法不会主动尝试找出您尝试加载的 html 的编码方式（就像大多数浏览器一样），您必须在 html head 中指定它。例如，如果您的 html 是 utf-8，请确保您的 html 的 head 部分中有一个 meta 标签

<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8"/>
</head>

如果您没有像这样指定字符集，所有高 ASCII 字节将被 html 编码。将您正在加载 html 的 dom 文档设置为 UTF-8 是不够的。

上

下

deepakrajpal dot com at gmail dot com ¶

3 年前

如果我们加载 <section>、<svg> 等 html5 标签，则会出现以下错误

DOMDocument::loadHTML(): Tag section invalid in Entity

我们可以在 loadHTML(); 之前使用 libxml_use_internal_errors(true); 来禁用标准 libxml 错误（并启用用户错误处理）。

这在 phpunit 自定义断言中非常有用，如以下示例所示（如果使用 phpunit 测试用例）

// 创建 DOMDocument
$dom = new DOMDocument();

// 修复 html5/svg 错误
libxml_use_internal_errors(true);
        
// 加载 html
$dom->loadHTML("<section></section>");
$htmlNodes = $dom->getElementsByTagName('section');

if ($htmlNodes->length == 0) {
$this->assertFalse(TRUE);
} else {
$this->assertTrue(TRUE);
}

上

下

finkenb2 at mail dot lib dot msu dot edu ¶

8 年前

警告：此方法对于 HTML5 元素（如 SVG）的处理效果不佳。大多数 Web 上的建议是关闭错误以使其与 HTML5 兼容。

上

下

fr at felix-riesterer dot de ¶

8 年前

请记住：如果您使用 HTML5 文档类型和以下元元素

<meta charset=utf-8">

您的 HTML 代码将被解释为 ISO-8859-something，并且非 ASCII 字符将被转换为 HTML 实体。但是，HTML4 风格的版本将起作用（正如 10 年前“bigtree at 29a”所指出的那样）

<meta http-equiv="Content-Type" content="text/html; charset=utf-8">

上

下

cake at brothercake dot com ¶

11 年前

请注意，此函数实际上并不理解 HTML - 它使用 SGML 的通用规则来修复标签汤输入，因此它创建了格式良好的标记，但不知道哪些元素上下文是允许的。

例如，对于以下输入，第一个元素没有关闭

<span>hello <div>world</div>

loadHTML 将将其更改为以下格式良好的但无效的格式

<span>hello <div>world</div></span>

上

下

Errol ¶

15 年前

应该注意的是，当任何文本在 body 标签内提供时
在包含元素之外，DOMDocument 将封装该
文本到段落标签 (<p>) 中。


例如
<?php 
$doc = new DOMDocument(); 
$doc->loadHTML("<html><body>Test<br><div>Text</div></body></html>"); 
echo $doc->saveHTML(); 
?> 

将产生
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN"
"http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body>
<p>Test<br></p>
<div>Text</div>
</body></html>


而
<?php 
$doc = new DOMDocument(); 
$doc->loadHTML( 
 "<html><body><i>Test</i><br><div>Text</div></body></html>"); 
echo $doc->saveHTML(); 
?> 

将产生
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN"
"http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body>
<i>Test</i><br><div>Text</div>
</body></html>

上

下

romain dot lalaut at laposte dot net ¶

17 年前

请注意，即使使用 <html xmlns="http://www.w3.org/1999/xhtml">，此类文档的元素也没有命名空间

上

下

kerim-yagmurcu at gmx dot de ¶

7 年前

对于那些想要获取外部 URL 的类元素的人，我有 2 个有用的函数。在本例中，我们获取 '<h3 class="r">'
元素返回（搜索结果标题）来自谷歌搜索

1. 检查 URL（如果它可以访问，存在）
<?php
# URL 检查
function url_check($url) { 
 $headers = @get_headers($url); 
 return is_array($headers) ? preg_match('/^HTTP\\/\\d+\\.\\d+\\s+2\\d\\d\\s+.*$/',$headers[0]) : false; 
};
?>

2. 清理要获取的元素（删除所有标签、制表符、换行符等）
<?php
# 用于清理字符串的函数
function clean($text){
 $clean = html_entity_decode(trim(str_replace(';','-',preg_replace('/\s+/S', " ", strip_tags($text)))));// 删除所有内容
 return $clean;
 echo '\n';// 抛出一个新行
}
?>

完成之后，我们可以使用以下方法输出搜索结果标题
<?php
$searchstring = 'djceejay';
$url = 'http://www.google.de/webhp#q='.$searchstring;
if(url_check($url)){
 $doc = new DomDocument;
 $doc->validateOnParse = true;
 $doc->loadHtml(file_get_contents($url));
 $output = clean($doc->getElementByClass('r')->textContent);
 echo $output . '<br>';
}else{
 echo 'URL 不可访问！';// 当 URL 不可调用时抛出消息
}
?>

上

下

jamesedwardcooke+php at gmail dot com ¶

15 年前

使用 loadHTML() 会自动设置 DOMDocument 实例的 doctype 属性（设置为 html 中的 doctype，或默认为 4.0 Transitional）。如果您使用 DOMImplementation 设置 doctype，它将被覆盖。

我假设可以设置它，然后使用我定义的 doctype 加载 html（以便在运行时决定 doctype），并且在试图找出我的 doctype 去哪里时遇到了巨大的麻烦。希望这对其他人有所帮助。

上

下

Alex ¶

14 年前

注意“陷阱”（按设计工作，但并非按预期工作）：如果您使用 loadHTML，您无法验证文档。验证只适用于 XML。详细信息请参见：http://bugs.php.net/bug.php?id=43771&edit=1

上

下

xuanbn at yahoo dot com ¶

16 年前

如果您使用 loadHTML() 处理 utf HTML 字符串（例如在越南语中），您可能会遇到结果为乱码文本，而某些文件则正常。即使您的 HTML 已经具有 meta charset，例如

<meta http-equiv="content-type" content="text/html; charset=utf-8">

我发现，为了帮助 loadHTML() 正确处理 utf 文件，meta 标签应该放在最前面，在任何 utf 字符串出现之前。例如，以下 HTML 文件

<html>
<head>
<meta http-equiv="content-type" content="text/html; charset=utf-8">
<title> 越南语 - Tiếng Việt</title>
</head>
<body></body>
</html>

当 <meta> 标签出现在 <title> 标签之前时，将与 loadHTML() 兼容。

但是，以下文件将无法被 loadHTML() 识别，因为 <title> 标签包含的 utf 字符串出现在 <meta> 标签之前。

<html>
<head>
<title> 越南语 - Tiếng Việt</title>
<meta http-equiv="content-type" content="text/html; charset=utf-8">
</head>
<body></body>
</html>

上

下

piopier ¶

15 年前

以下是我编写的一个函数，它可以解决使用 loadHTML 和 DOM 函数时关于字符集问题（UTF-8...）的先前评论。
它在 <head> 之后添加 charset meta 标签，以改进自动编码检测，并将任何特定字符转换为 html 实体，因此 PHP DOM 函数/属性将返回正确的值。

<?php
mb_detect_order("ASCII,UTF-8,ISO-8859-1,windows-1252,iso-8859-15");
function loadNprepare($url,$encod='') {
 $content = file_get_contents($url);
 if (!empty($content)) {
 if (empty($encod))
 $encod = mb_detect_encoding($content);
 $headpos = mb_strpos($content,'<head>');
 if (FALSE=== $headpos)
 $headpos= mb_strpos($content,'<HEAD>');
 if (FALSE!== $headpos) {
 $headpos+=6;
 $content = mb_substr($content,0,$headpos) . '<meta http-equiv="Content-Type" content="text/html; charset='.$encod.'">' .mb_substr($content,$headpos);
 }
 $content=mb_convert_encoding($content, 'HTML-ENTITIES', $encod);
 }
 $dom = new DomDocument;
 $res = $dom->loadHTML($content);
 if (!$res) return FALSE;
 return $dom;
}
?>

注意：它使用 mb_strpos/mb_substr 而不是 mb_ereg_replace，因为在处理大型 html 页面时，这似乎效率更高。

上

下

Anonymous ¶

2 年前

如果 html 包含一些从 HTML5 开始就被采用的标签（例如“nav、section、footer 等”，在 PHP 8.1.6 中），则 loadHTML() 和 loadHTMLFile() 可能会始终生成警告。

尝试运行以下代码。

<?php

$file_name = 'PHP Runtime Configuration - Manual.html'; // 事先从 "https://php.net/manual/en/session.configuration.php" 下载此文件。

$doc = new DOMDocument();
$doc->loadHTMLFile($file_name); // 如果将 "LIBXML_NOERROR" 设置为第二个参数，则不会出现错误
echo $doc->saveHTML();

// 警告：DOMDocument::loadHTMLFile(): 标签 nav 在 PHP Runtime Configuration - Manual.html 中无效，行：63 在 D:\xampp\htdocs\test\xml(dom)\loadHTML\index.php 中的第 6 行

?>

上

下

BychkovVV at mail dot ru ¶

4 年前

如果您要从任何网站加载以 "utf-8" 编码的 html 内容，并且 meta width content-type 不是 HEAD 的第一个子节点，则解析器（编码）将不会识别它； 因此您可以进行此修复
function domLoadHTML($html)
{$testDOM = new DOMDocument('1.0', 'UTF-8');
$testDOM->loadHTML($html);
$charset = NULL;
$searchInElemnt = function(&$item) use (&$searchInElemnt, &$charset)
{if($item->childNodes)
{foreach($item->childNodes as $childItem)
{switch($childItem->nodeName)
{case 'html'
case 'head'
$searchInElemnt($childItem);
break;
case 'meta'
$attributes = array();
foreach ($childItem->attributes as $attr)
{$attributes[mb_strtoupper($attr->localName)] = $attr->nodeValue;
                            }
if(array_key_exists('HTTP-EQUIV', $attributes) && (mb_strtoupper($attributes['HTTP-EQUIV']) == 'CONTENT-TYPE') && array_key_exists('CONTENT', $attributes) && preg_match('~[\s]*;[\s]*charset[\s]*=[\s]*([^\s]+)~', $attributes['CONTENT'], $matches))
{$charset = preg_replace('~[\s\']~', '', $matches[1]);
                            }
                       }
                    }
                 }
              };
$searchInElemnt($testDOM);
if(isset($charset))
{$dom = new DOMDocument('1.0', $charset);
$dom->loadHTML('<?xml encoding="'.$charset.'">'.$html);
foreach ($dom->childNodes as $item)
if($item->nodeType == XML_PI_NODE)
{$dom->removeChild($item);
                 }
$dom->encoding = $charset;
              }
else
{$dom = $testDOM;
              }
return $dom;
           };

上

下

divinity76+spam at gmail dot com ¶

3 年前

如果您想摆脱所有“仅包含空白字符的 DOMText 元素”，可以尝试以下方法

<?php

function loadHTML_noemptywhitespace(string $html, int $extra_flags = 0, int $exclude_flags = 0): DOMDocument
{
 $flags = LIBXML_HTML_NODEFDTD | LIBXML_NOBLANKS | LIBXML_NONET;
 $flags = ($flags | $extra_flags) & ~ $exclude_flags;

 $domd = new DOMDocument();
 $domd->preserveWhiteSpace = false;
 @$domd->loadHTML('<?xml encoding="UTF-8">' . $html, $flags);
 $removeAnnoyingWhitespaceTextNodes = function (\DOMNode $node) use (&$removeAnnoyingWhitespaceTextNodes): void {
 if ($node->hasChildNodes()) {
 // 警告：以相反的顺序执行很重要； 如果您正向执行，DOMNodeList 的索引可能会失效；
 // 这就是我不使用 foreach() 的原因 - 不要更改它（除非您知道自己在做什么，当然）
 for ($i = $node->childNodes->length - 1; $i >= 0; --$i) {
 $removeAnnoyingWhitespaceTextNodes($node->childNodes->item($i));
 }
 }
 if ($node->nodeType === XML_TEXT_NODE && !$node->hasChildNodes() && !$node->hasAttributes() && empty(trim($node->textContent))) {
 //echo "Removing annoying POS";
 // var_dump($node);
 $node->parentNode->removeChild($node);
 } //elseif ($node instanceof DOMText) { echo "not removed"; var_dump($node, $node->hasChildNodes(), $node->hasAttributes(), trim($node->textContent)); }
 };
 $removeAnnoyingWhitespaceTextNodes($domd);
 return $domd;
}

＋添加笔记