PHP DOMDocument 正确解析含动态脚本标签的 HTML 字符串-html教程-PHP中文网

PHP DOMDocument 正确解析含动态脚本标签的 HTML 字符串

DOMDocument 在解析包含未转义

domdocument 在解析包含未转义 `` 序列的 `<script>` 内容时会提前截断，因其将 `</` 误判为标签闭合；解决方法是预处理 javascript 中的 `</` 为 `<\/`，并确保输入为结构完整的 <a style="color:#f60; text-decoration:underline;" title= "html"href="https://m.php.cn/zt/15763.html" target="_blank">html5 文档。</script>

PHP 的 DOMDocument::loadHTML() 并非纯 HTML 解析器，而是基于宽松 XML/HTML 混合解析逻辑实现的。当它在 <script></script> 内容中遇到未转义的（如或 '+'ipt>），会错误地将其识别为 HTML 标签结束标记，从而提前终止脚本内容解析——这正是你观察到 '+'ipt> 消失的根本原因。

要可靠保留原始脚本逻辑，需满足两个前提条件：

提供完整 HTML 文档结构：避免传入孤立的 <script></script> 片段。DOMDocument 在无、等根元素时会自动补全，但补全逻辑不稳定，易干扰内联脚本解析；
转义脚本中的序列：在 JavaScript 字符串或拼接表达式中，所有必须写为 （注意斜杠前加反斜杠），这是 HTML 规范明确要求的<a href="https://www.php.cn/link/668426da67b63e07674ea8c2ff286289" rel="nofollow" target="_blank">安全转义方式</a>，可防止解析器误触发标签闭合。

以下为推荐的健壮处理方案（含自动转义与结构封装）：

html-ppt-to-pdf

将使用 `

` 约定的 HTML 幻灯片转换为高保真、矢量文本 PDF（使用 Playwright + Chromium 原生 PDF 功能）。

下载

function safeLoadScriptHTML($rawScript) {
    // 1. 封装为最小合法 HTML5 文档
    $html = 

<meta charset="utf-8">$rawScript


EOT;

    // 2. 安全转义所有 <script> 内部的 </ 序列（仅作用于 script 标签内容）
    $html = preg_replace_callback(
        '/(<script[^>]*>)(.*?)(<\/script>)/is',
        function ($matches) {
            // 对 script 内容执行全局 </ → <\/ 转义（避开注释和字符串字面量更复杂，此处为通用安全基线）
            $escapedContent = preg_replace('|</|', '<\/', $matches[2][0]);
            return $matches[1][0] . $escapedContent . $matches[3][0];
        },
        $html
    );

    // 3. 加载并保存
    $dom = new DOMDocument();
    $dom->recover = true;     // 启用容错模式
    $dom->strictErrorChecking = false;
    $dom->loadHTML($html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);

    return $dom->saveHTML();
}

// 使用示例
$html1 = "<script>document.write('<scr'+'ipt>alert(123);'+'ipt>')</script>";
$html2 = safeLoadScriptHTML($html1);
echo htmlspecialchars($html2); // 输出中可见已转义的

✅ 关键注意事项：