Xpath with html5lib in PHP

Question

我有这个基本代码不起作用。如何将 Xpath 与 html5lib php 一起使用？或者以任何其他方式使用 HTML5 的 Xpath。

$url = 'http://en.wikipedia.org/wiki/PHP';
$response = GuzzleHttpget($url);
$html5 = new MastermindsHTML5();
$dom = $html5->loadHTML($response);
$xpath = new DOMXPath($dom);
$elements = $xpath->query('//h1');
//$elements = $dom->getElementsByTagName('h1');
foreach ($elements as $element)
{
    var_dump($element);
}

未找到任何元素。使用$xpath->query('.')可以获取根元素(xpath通常似乎有效(。 $dom->getElementsByTagName('h1')正在工作。

Answer 1

使用disable_html_ns选项。

$url = 'http://en.wikipedia.org/wiki/PHP';
$response = GuzzleHttpget($url)->getBody();
$html5 = new MastermindsHTML5(array(
    'disable_html_ns' => true, // add `disable_html_ns` option
));
$dom = $html5->loadHTML($response);
$xpath = new DOMXPath($dom);
$elements = $xpath->query('//h1');
foreach ($elements as $element) {
    var_dump($element);
}

https://github.com/Masterminds/html5-php#options

disable_html_ns(布尔值(：防止解析器自动将 HTML5 命名空间分配给 DOM 文档。这适用于非命名空间感知的 DOM 工具。

Answer 2

所以看起来html5lib正在为我们设置一个默认的命名空间。

$url = 'http://en.wikipedia.org/wiki/PHP';
$response = GuzzleHttpget($url)->getBody();
$html5 = new MastermindsHTML5();
$dom = $html5->loadHTML($response);
$de = $dom->documentElement;
if ($de->isDefaultNamespace($de->namespaceURI)) {
    echo $de->namespaceURI . "n";
}

这输出：

 http://www.w3.org/1999/xhtml

若要使用 xpath 查询命名空间节点，需要注册命名空间并在查询中使用前缀。

$xpath = new DOMXPath($dom);
$xpath->registerNamespace('n', $de->namespaceURI);
$elements = $xpath->query('//n:h1');
foreach ($elements as $element)
{
    echo $element->nodeValue;
}

这将输出PHP .

---

通常，当涉及默认命名空间时，我发现在 xpath 查询中为所有内容添加前缀很乏味，所以我只是去掉它。

$de = $dom->documentElement;
$de->removeAttributeNS($de->getAttributeNode("xmlns")->nodeValue,"");
$dom->loadXML($dom->saveXML()); // reload the existing dom, now sans default ns

之后，您可以使用原始的xpath，它将正常工作。

$elements = $xpath->query('//h1');
foreach ($elements as $element)
{
    echo $element->nodeValue;
}

现在这也输出PHP。

---

因此，该示例的修改版本如下所示：

例：

$url = 'http://en.wikipedia.org/wiki/PHP';
$response = GuzzleHttpget($url)->getBody();
$html5 = new MastermindsHTML5();
$dom = $html5->loadHTML($response);
$de = $dom->documentElement;
if ($de->isDefaultNamespace($de->namespaceURI)) {
    $de->removeAttributeNS($de->getAttributeNode("xmlns")->nodeValue,"");
    $dom->loadXML($dom->saveXML());
}
$xpath = new DOMXPath($dom);
$elements = $xpath->query('//h1');
foreach ($elements as $element)
{
    var_dump($element);
}

输出：

class DOMElement#11 (18) {
  public $tagName =>
  string(2) "h1"
  public $schemaTypeInfo =>
  NULL
  public $nodeName =>
  string(2) "h1"
  public $nodeValue =>
  string(3) "PHP"
  ...
  public $textContent =>
  string(3) "PHP"
}