(PHP 5, PHP 7, PHP 8)
DOMDocument::loadHTMLFile — ファイルから HTML を読み込む
この関数は、filename という名前のファイルから
読み込んだ HTML ドキュメントをパースします。
XML を読み込む場合とは異なり、妥当な HTML でなくても
読み込むことができます。
この関数は、HTML4 のパーサを使って入力をパースします。モダンなWebブラウザが採用している HTML5 のパースルールとは異なります。入力によっては、このことが原因で異なるDOM構造になるかもしれません。よって、この関数はHTMLを無害化する目的で安全に使えません。
HTML をパースする挙動は、利用している
libxml のバージョンに依存します。
特にエッジケースやエラーハンドリングについてそれが当てはまります。
HTML5 に準拠したパースを行うには、PHP 8.4 で追加される
Dom\HTMLDocument::createFromString() や
Dom\HTMLDocument::createFromFile() を使いましょう。
例を挙げましょう。HTML要素によっては、暗黙のうちに親の要素を閉じるものがあります。親要素を自動で閉じるルールは、HTML4 と HTML5 で異なります。よって、DOMDocument が表す DOM 構造は Webブラウザ上のそれと異なる可能性があります。このことから、攻撃者がHTMLを壊す攻撃を許す可能性があります。
空の文字列を filename
に渡したり中身が空のファイルを指定したりすると、警告が発生します。
この警告は libxml が発するものではないので、libxml
のエラー処理関数 では処理できません。
壊れた HTML も読み込めますが、マークアップが正しくない場合には E_WARNING が発生します。
このエラーの処理には libxml のエラー処理関数
が使えます。
| バージョン | 説明 |
|---|---|
| 8.3.0 | この関数の仮の戻り値の型が、bool になりました。+ |
| 8.0.0 |
この関数を static メソッドとしてコールすると、
Error がスローされるようになりました。
これより前のバージョンでは、
E_DEPRECATED が発生していました。
|
例1 ドキュメントを作成する
<?php
$doc = new DOMDocument();
$doc->loadHTMLFile("filename.html");
echo $doc->saveHTML();
?>
The options for surpressing errors and warnings will not work with this as they do for loadXML()
e.g.
<?php
$doc->loadHTMLFile($file, LIBXML_NOWARNING | LIBXML_NOERROR);
?>
will not work.
you must use:
<?php
libxml_use_internal_errors(true);
$doc->loadHTMLFile($file);
?>
and handle the exceptions as neccesarry.<?php
// try this html listing example for all nodes / includes a few getElementsByTagName options:
$file = $DOCUMENT_ROOT. "test.html";
$doc = new DOMDocument();
$doc->loadHTMLFile($file);
// example 1:
$elements = $doc->getElementsByTagName('*');
// example 2:
$elements = $doc->getElementsByTagName('html');
// example 3:
//$elements = $doc->getElementsByTagName('body');
// example 4:
//$elements = $doc->getElementsByTagName('table');
// example 5:
//$elements = $doc->getElementsByTagName('div');
if (!is_null($elements)) {
foreach ($elements as $element) {
echo "<br/>". $element->nodeName. ": ";
$nodes = $element->childNodes;
foreach ($nodes as $node) {
echo $node->nodeValue. "\n";
}
}
}
?>This puts the HTML into a DOM object which can be parsed by individual tags, attributes, etc.. Here is an example of getting all the 'href' attributes and corresponding node values out of the 'a' tag. Very cool....
<?php
$myhtml = <<<EOF
<html>
<head>
<title>My Page</title>
</head>
<body>
<p><a href="/mypage1">Hello World!</a></p>
<p><a href="/mypage2">Another Hello World!</a></p>
</body>
</html>
EOF;
$doc = new DOMDocument();
$doc->loadHTML($myhtml);
$tags = $doc->getElementsByTagName('a');
foreach ($tags as $tag) {
echo $tag->getAttribute('href').' | '.$tag->nodeValue."\n";
}
?>
This should output:
/mypage1 | Hello World!
/mypage2 | Another Hello World!In this post http://softontherocks.blogspot.com/2014/11/descargar-el-contenido-de-una-url_11.html I found a simple way to get the content of a URL with DOMDocument, loadHTMLFile and saveHTML().
function getURLContent($url){
$doc = new DOMDocument;
$doc->preserveWhiteSpace = FALSE;
@$doc->loadHTMLFile($url);
return $doc->saveHTML();
}