मैं एक रास्ता मिल गया था कन्वर्ट करने के लिए (यहां तक कि बुरा) एचटीएमएल अच्छी तरह से गठित XML में
यह उनकी मुख्य पृष्ठ है। मैंने इसे डीओएम लोडएचटीएमएल फ़ंक्शन पर आधार देना शुरू कर दिया। हालांकि समय के दौरान कई मुद्दे सामने आए और मैंने साइड इफेक्ट्स को सही करने के लिए पैच को अनुकूलित और जोड़ा।
function tryToXml($dom,$content) {
if(!$content) return false;
// xml well formed content can be loaded as xml node tree
$fragment = $dom->createDocumentFragment();
// wonderfull appendXML to add an XML string directly into the node tree!
// aappendxml will fail on a xml declaration so manually skip this when occurred
if(substr($content,0, 5) == '<?xml') {
$content = substr($content,strpos($content,'>')+1);
if(strpos($content,'<')) {
$content = substr($content,strpos($content,'<'));
}
}
// if appendXML is not working then use below htmlToXml() for nasty html correction
if([email protected]$fragment->appendXML($content)) {
return $this->htmlToXml($dom,$content);
}
return $fragment;
}
// convert content into xml
// dom is only needed to prepare the xml which will be returned
function htmlToXml($dom, $content, $needEncoding=false, $bodyOnly=true) {
// no xml when html is empty
if(!$content) return false;
// real content and possibly it needs encoding
if($needEncoding) {
// no need to convert character encoding as loadHTML will respect the content-type (only)
$content = '<meta http-equiv="Content-Type" content="text/html;charset='.$this->encoding.'">' . $content;
}
// return a dom from the content
$domInject = new DOMDocument("1.0", "UTF-8");
$domInject->preserveWhiteSpace = false;
$domInject->formatOutput = true;
// html type
try {
@$domInject->loadHTML($content);
} catch(Exception $e){
// do nothing and continue as it's normal that warnings will occur on nasty HTML content
}
// to check encoding: echo $dom->encoding
$this->reworkDom($domInject);
if($bodyOnly) {
$fragment = $dom->createDocumentFragment();
// retrieve nodes within /html/body
foreach($domInject->documentElement->childNodes as $elementLevel1) {
if($elementLevel1->nodeName == 'body' and $elementLevel1->nodeType == XML_ELEMENT_NODE) {
foreach($elementLevel1->childNodes as $elementInject) {
$fragment->insertBefore($dom->importNode($elementInject, true));
}
}
}
} else {
$fragment = $dom->importNode($domInject->documentElement, true);
}
return $fragment;
}
protected function reworkDom($node, $level = 0) {
// start with the first child node to iterate
$nodeChild = $node->firstChild;
while ($nodeChild) {
$nodeNextChild = $nodeChild->nextSibling;
switch ($nodeChild->nodeType) {
case XML_ELEMENT_NODE:
// iterate through children element nodes
$this->reworkDom($nodeChild, $level + 1);
break;
case XML_TEXT_NODE:
case XML_CDATA_SECTION_NODE:
// do nothing with text, cdata
break;
case XML_COMMENT_NODE:
// ensure comments to remove - sign also follows the w3c guideline
$nodeChild->nodeValue = str_replace("-","_",$nodeChild->nodeValue);
break;
case XML_DOCUMENT_TYPE_NODE: // 10: needs to be removed
case XML_PI_NODE: // 7: remove PI
$node->removeChild($nodeChild);
$nodeChild = null; // make null to test later
break;
case XML_DOCUMENT_NODE:
// should not appear as it's always the root, just to be complete
// however generate exception!
case XML_HTML_DOCUMENT_NODE:
// should not appear as it's always the root, just to be complete
// however generate exception!
default:
throw new exception("Engine: reworkDom type not declared [".$nodeChild->nodeType. "]");
}
$nodeChild = $nodeNextChild;
} ;
}
अब यह भी एक एक्सएमएल जो मैं अपने आप को उपयोग करने के लिए की जरूरत में और अधिक एचटीएमएल टुकड़े जोड़ने के लिए अनुमति देता है। सामान्य तौर पर इसे इस तरह इस्तेमाल किया जा सकता:
$c='<p>test<font>two</p>';
$dom=new DOMDocument('1.0', 'UTF-8');
$n=$dom->appendChild($dom->createElement('info')); // make a root element
if($valueXml=tryToXml($dom,$c)) {
$n->appendChild($valueXml);
}
echo '<pre/>'. htmlentities($dom->saveXml($n)). '</pre>';
इस उदाहरण '<p>test<font>two</p>'
में अच्छी तरह से 'के रूप में <info><p>test<font>two</font></p></info>
' अच्छी तरह से गठित XML में outputed कर दिया जाएगा। जानकारी रूट टैग जोड़ा जाता है क्योंकि यह '<p>one</p><p>two</p>
' को परिवर्तित करने की अनुमति भी देगा जो एक्सएमएल नहीं है क्योंकि इसमें एक मूल तत्व नहीं है। हालांकि अगर आप निश्चित रूप से एचटीएमएल एक रूट तत्व रखते हैं तो अतिरिक्त रूट <info>
टैग छोड़ा जा सकता है।
इसके साथ मुझे असंगठित और यहां तक कि भ्रष्ट HTML से वास्तविक अच्छा एक्सएमएल मिल रहा है!
मुझे उम्मीद है कि यह थोड़ा स्पष्ट है और अन्य लोगों को इसका उपयोग करने में योगदान दे सकता है।
[इस पोस्ट] पर एक नज़र डालें (http://stackoverflow.com/a/85922/938089)। फिर, [चौथी टिप्पणी] पर एक बहुत नजदीक देखो (http://stackoverflow.com/questions/84556/#comment1436887_85922)। आप HTML को XML में क्यों परिवर्तित करना चाहते हैं? –
@RobW मैं इसे देख लूंगा। हम कुछ अनुप्रयोगों के लिए सामग्री के रूप में एचटीएमएल की सेवा कर रहे थे लेकिन अब हमें एक्सएमएल के रूप में काम करना है। –
@RobW, मैं एक्सएमएल और एचटीएमएल के बीच अंतर भी जानता हूं। लेकिन मुझे इसकी सामग्री को पार्स करने और एक्सएमएल में डालने की जरूरत है। –