PHP разбирает недопустимый HTML

Question

я пытаюсь разобрать html, которого нет на моем сервере

    $dom = new DOMDocument();
    $dom->loadHTMLfile("http://www.some-site.org/page.aspx");      
    echo    $dom->getElementById('his_id')->item(0);

но php возвращает ошибку, похожую на ID his_id already defined in http://www.some-site.org/page.aspx, line: 33. Я думаю, это потому, что DOMDocument имеет дело с недействительным HTML. Итак, как я могу разобрать его, даже если он недействителен?

Answer 1

Вы должны запустить HTML Tidy , чтобы очистить его перед анализом.

$html = file_get_contents('http://www.some-site.org/page.aspx');
$config = array(
  'clean' => 'yes',
  'output-html' => 'yes',
);
$tidy = tidy_parse_string($html, $config, 'utf8');
$tidy->cleanRepair();
$dom = new DOMDocument;
$dom->loadHTML($tidy);

См. Этот список опций .

Answer 2

Посмотрите на: libxml_use_internal_errors ()

http://php.net/libxml_use_internal_errors

Answer 3

Читая документы, я вижу $dom->strictErrorChecking, который по умолчанию равен TRUE. Что произойдет, если вы установите $dom->strictErrorChecking = false?