QueryPath用HTML字符串破坏脚本标记

Question

想知道是否有其他人遇到过这个问题，他们是否找到了解决办法。

我有一个应用程序，它使用QueryPath的htmlqp()方法解析网页(我不控制)。

我遇到的问题是，每当分析一个页面时，其中碰巧有一个内联的<script>标记w/一些javacript，其中也引用了某种类型的having，QueryPath的writeHTML()方法试图通过在javascript中插入换行符、结束标记和其他无意义的内容来“修复”HTML，而javascript反过来破坏了页面上的所有javascript(在某些情况下，还破坏了HTML)。

例如：

<script>
     var $jQ = jQuery.noConflict();
     // Use jQuery via $jQ(...)
     $jQ(document).ready(function(){
       $jQ("#mktFrmSubmit").wrap("<div class='buttonSubmit'></div>");
       $jQ(".buttonSubmit").prepend("<span></span>");
     });
   </script>

-变成-

<script>
     var $jQ = jQuery.noConflict();
     // Use jQuery via $jQ(...)
     $jQ(document).ready(function(){
       $jQ("#mktFrmSubmit").wrap("<div class='buttonSubmit'></script>
</div>");
       $jQ(".buttonSubmit").prepend("<span></span>");
     });

显然，后者明显地打破了。

有人知道如何阻止QueryPath这样做吗？或者让它忽略<script>标记正文中的一般内容？

谢谢。

Answer 1

我们建议使用HTML 5-PHP库来解析HTML。内置到PHP中的较旧的HTML4.01解析器(通过libxml)在JavaScript中并不特别优秀。但是新的HTML5 PHP库是为处理这种情况而构建的。

这是图书馆：

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

马特·法里纳( Matt Farina )写了一篇很棒的介绍，介绍了如何一起使用这两个库：

http://engineeredweb.com/blog/2014/querypath-html5-php/