Как запретить PHP DOMDocument уродовать содержимое тега script?

Question

[Shimpanze]

Здравствуйте!

Имеется вот такой код (вы удивитесь, но это стандартный код админки WordPress (да да, внутри тега script тег div)):



Обрабатываем:

$html = mb_convert_encoding( $html, 'HTML-ENTITIES', 'UTF-8' );
$dom = new \DOMDocument;
libxml_use_internal_errors( true );
$dom->loadHTML( $html, LIBXML_HTML_NODEFDTD | LIBXML_HTML_NOIMPLIED );
libxml_clear_errors();

$output = $dom->saveHTML();

var_dump( $output );

На выходе:



Помогите, пожалуйста, так как сил воевать с ним уже нет никаких.

Песочница: 3v4l.org/k8TSZ

Comments

[AUser0]

Русский текст перекодируется в такой вид из-за 'HTML-ENTITIES' в mb_convert_encodin().

[Shimpanze]

AUser0, Если убрать этот флаг, то тогда DOMDocument, неверно будет обрабатывать мнемоники. Нам главное дождаться DevMan. Он знает эту систему как свои 5 пальцев. Спит ещё пока. Уверен, решение у этого вопроса, самое простое

Answer 1

[DevMan]

$dom = new \DOMDocument;
$dom->loadXML( $html );
$output = $dom->saveHTML((new \DOMXPath($dom))->query('/')->item(0));

https://3v4l.org/2D0kK

Comments

[Shimpanze]

DevMan, спасибо! Но мы с вами проходили это уже несколько лет назад. Я за это время здорово продвинулся :) loadXML не принимает одиночные теги br, hr и проч. и не принимает мнемоники, например -  . Это на вскидку, что сумел вспомнить

[DevMan]

Shimpanze, https://3v4l.org/HucJa

[Shimpanze]

DevMan Благодарю!
Для интересующихся данной темой, замечу, что при желании, вместо

$dom->saveHTML((new \DOMXPath($dom))->query('/')->item(0))

можно использовать $dom->documentElement.

[DevMan]

Shimpanze, обычно $dom->documentElement работает отлично. но несколько раз натыкался на то, что получал другой результат.
поэтому и использую то, что написал.

[Shimpanze]

DevMan Если я правильно понял, то обработка мнемоник, без танцев с бубном, невозможна?





https://3v4l.org/WvRF8

[DevMan]

Shimpanze, завтра гляну, сейчас сходу не отвечу - давно уже этим не занимался.

[DevMan]

Shimpanze, и указанная песочница показывает совершенно другой код.

[Shimpanze]

DevMan, Я, для вашего удобства, просто наверх параграф с мнемониками вставил. Чтобы сразу смотреть на общий результат.

[Shimpanze]

DevMan Приветствую! Получилось посмотреть?

[DevMan]

Shimpanze, увы, ещё нет. постараюсь сегодня.

[DevMan]

Shimpanze, https://3v4l.org/KNK0e

[Shimpanze]

DevMan, Спасибо! Но код по прежнему возвращает не то, что получил.
Он преобразовал все мнемоники и потерял комментарии (<!--...-->) в коде:
Было: <p>&hellip;привет&nbsp;пока&hellip;</p>
Стало: <p>…привет пока…</p>
Наверное какого-то флага не хватает

[DevMan]

Shimpanze, упс... я неверно понял вопрос.
думал проблема в кодировке, а не в том, что они преобразуются.

Answer 2

[Владимир Кудря]

//$html = mb_convert_encoding( $html, 'HTML-ENTITIES', 'UTF-8' );
$dom = new \DOMDocument('1.0', 'UTF-8');
libxml_use_internal_errors( true );
$dom->loadHTML('<?xml encoding="UTF-8">' . $html);
$dom->preserveWhiteSpace = false;
libxml_clear_errors();
$output = $dom->saveHTML();

var_dump( html_entity_decode($output,ENT_QUOTES,"UTF-8") );

ну вроде вот таким образом все заработало как надо

Comments

[Владимир Кудря]

ну так то по итогу суть только в html_entity_decode($output, ENT_QUOTES, "UTF-8") этой функции была
то есть можно оставить исходный вариант, но просто это написать в var_dump

[Shimpanze]

Владимир Кудря, Нет, закрывающий тег div (перед закрывающим тегом script, сожрал-таки)...

Answer 3

[Илья]

Кодировку в конструктор самого DOMDocument отправьте: https://www.php.net/manual/ru/domdocument.construct.php

Comments

[Shimpanze]

Нет. Это никак не влияет. Сами попробуйте в вышеприведенной песочнице. Русские буквы, это ещё полбеды. Беда в том, что он теряет закрывающий тег. Из за этого разметка страницы, как вы понимаете, превращается в кашу