Próbuję przeanalizować kod HTML za pomocą DOMDocument, zrobić coś takiego jak zmiany w nim, a następnie złożyć go z powrotem do łańcucha, który wysyłam na wyjście.

Ale istnieje kilka problemów dotyczących parsowania, co oznacza, że ​​to, co wysyłam do DOMDocument, nie zawsze wraca w tej samej formie :)

Oto lista:

za pomocą-> loadHTML:

formatuje mój dokument niezależnie odpreserveWhitespace iformatOutput ustawienia (utrata białych znaków we wstępnie sformatowanym tekście)daje mi błędy, gdy mam znaczniki html5<header>, <footer> itd. Ale mogą być tłumione, więc mogę z tym żyć.produkuje niespójne znaczniki - na przykład, jeśli dodam<link ... /> element (z samozamykającym się tagiem), po analizie / saveHTML wyjście będzie<link .. >

za pomocą-> loadXML:

koduje elementy takie jak> z<style> lub<script> tagi:body > div staje siębody > divna przykład wszystkie znaczniki są zamknięte w ten sam sposób<meta ... /> staje się<meta...></meta>; ale można to naprawić za pomocą wyrażenia regularnego.

Nie próbowałem HTML5lib, ale wolę DOMDocument zamiast niestandardowego parsera ze względu na wydajność

Aktualizacja:

Tak jak Honeymonster wspomniany przy użyciu CDATA naprawia główny problem z loadXML.

Czy jest jakiś sposób, w jaki mógłbym zapobiec samoczynnemu zamknięciu wszystkich pustych znaczników HTML oprócz określonego zestawu, bez używania wyrażenia regularnego?

W tej chwili mam:

$html = $dom->saveXML($node);

$html = preg_replace_callback('#<(\w+)([^>]*)\s*/>#s', function($matches){

       // ignore only these tags
       $xhtml_tags = array('br', 'hr', 'input', 'frame', 'img', 'area', 'link', 'col', 'base', 'basefont', 'param' ,'meta');

       // if a element that is not in the above list is empty,
       // it should close like   `<element></element>` (for eg. empty `<title>`)
       return in_array($matches[1], $xhtml_tags) ? "<{$matches[1]}{$matches[2]} />" : "<{$matches[1]}{$matches[2]}></{$matches[1]}>";
}, $html);

który działa, ale zastąpi także zawartość CDATA, której nie chcę ...