Ошибки при попытке очистки HTML с помощью DOMDocument

Я пытаюсь получить HTML-код веб-страницы и удалить из него теги <script>. Я могу получить HTML (используя cURL), но я не могу удалить теги <script>, используя PHP DOMDocument. Удаление тегов - это только одна вещь, которую я хочу сделать с DOMDocument, поэтому я не могу использовать другое решение (ну, я думаю, я мог бы использовать какой-нибудь другой парсер DOM, но я просто хочу знать, как это исправить).

Мой код:

function clean_html(&$html, $targets = array('script'))
{
    $doc = new DOMDocument();
    $doc->loadHTML($html); // here I get the error

    foreach($targets as $target) {
        $tags = $doc->getElementsByTagName($target);
        $length = $tags->length;

        for ($i = 0; $i < $length; $i++) {
          $tags->item(0)->parentNode->removeChild($tags->item(0));
        }
    }

    return $doc->saveHTML();
}

$html = get_html('http://www.google.nl'); // this gets the HTML using cURL.
clean_html($html);

Ошибки (их много +/- 20):

Предупреждение: DOMDocument::loadHTML() [domdocument.loadhtml]: htmlParseEntityRef: нет имени в Entity, строка: 24 в C:...\code\views\index.phtml в строке 22

HTML, который я получил от вызова cURL:

http://pastebin.com/TrV99wAr

Есть ли способ позволить DOMDocument исправить ошибки или, по крайней мере, позволить ему проанализировать остальную часть html?


php domdocument
person PeeHaa    schedule 05.01.2012    source источник

Ответы (2)


arrow_upward
2
arrow_downward

Безопасность прежде всего

Для очистки HTML-ввода есть только один инструмент, который может вас защитить. Вы всегда должны использовать этот инструмент, если вы сами не управляете данными. (и даже чем, в случае, если кто-то получит ваши логин-данные, может быть лучше использовать их).

Всегда используйте HTMLPurifier:

Это может быть ресурсоемким, но все остальное похоже на наведение пистолета на вашу инфраструктуру. http://htmlpurifier.org/

Я не смог воспроизвести вашу ошибку.

Поэтому я предполагаю, что это может быть ошибка, зависящая от версии/платформы. я тестировал на WinXP,Pro,x86,SP3/PHP5.3.3

person Samuel Herzog    schedule 05.01.2012
comment
as pastebin usually is. Я не получаю свой HTML из pastebin. Есть только образец HTML, который я получаю, чтобы показать ошибку :) - person PeeHaa; 05.01.2012
comment
да, моя ошибка, я уже исправил ее ^^ просто слишком быстро просмотрел код/ссылки g - person Samuel Herzog; 05.01.2012
comment
также добавить: 1) я не знаю, что htmlpurifier использует внутри, и я углубляюсь в вашу проблему, чтобы увидеть, где была ошибка. может это поможет вам учиться и кому-то еще, кто не хочет дезинфицировать html;) - person Samuel Herzog; 05.01.2012
comment
хорошо, извините, но если я вставлю ваш код pastebin в .txt, скопируйте и вставьте ваш код и замените $html = get_html('http://www.google.nl'); на $html = file_get_contents('google.nl.txt');, я не получу ни одной ошибки. и я чувствую себя ребёнком из-за такого количества копий и вставок ^^ - person Samuel Herzog; 05.01.2012
comment
Это не та часть получения HTML, которая вызывает ошибку. Но часть, где DOMDocument пытается его разобрать :P И я использую cURL :) - person PeeHaa; 05.01.2012
comment
есть ли у вас дополнительная информация, которая могла бы помочь нам сузить круг этой ошибки? это повторяется, если вы не скручиваете, а загружаете из файла? - person Samuel Herzog; 05.01.2012
comment
@PeeHaa Я знаю, и в этом проблема, я использовал весь ваш скрипт, кроме одной строки, которая, как вы сказали, не создает проблемы. Я сделал суть, чтобы помочь вам увидеть. gist.github.com/1563560 - person Samuel Herzog; 05.01.2012

arrow_upward
0
arrow_downward

Эта ошибка означает, что у вас есть & в вашем HTML, который не является сущностью HTML. Они всегда должны быть закодированы как &amp;.

person Niet the Dark Absol    schedule 05.01.2012
comment
Ну, очевидно, это не мой код (я не владею google.nl): P Как мне предотвратить получение этих ошибок и позволить ему анализировать html? - person PeeHaa; 05.01.2012
comment
Включить внутренние ошибки для libxml: libxml_use_internal_errors(true); - person Niet the Dark Absol; 05.01.2012