(PHP 5, PHP 7, PHP 8)
DOMDocument::loadHTMLFile — Carga HTML desde un fichero
Esta función analiza el documento HTML del fichero llamado
filename. A diferencia de cargar XML, HTML no tiene
que estar bien formado para cargarse.
Utilice Dom\HTMLDocument para analizar y tratar el HTML moderno en lugar de DOMDocument.
Esta función analiza la entrada utilizando un analizador HTML 4. Las reglas de análisis del HTML 5, que son las utilizadas por los navegadores web modernos, son diferentes. Según la entrada, esto puede resultar en una estructura DOM diferente. Por lo tanto, esta función no puede ser utilizada de forma segura para la sanitización del HTML.
El comportamiento durante el análisis del HTML puede depender de la versión de
libxml que se utilice, especialmente en lo que respecta
a los casos límite y el manejo de errores.
Para un análisis conforme a la especificación HTML5,
utilice Dom\HTMLDocument::createFromString() o
Dom\HTMLDocument::createFromFile(), añadidos en PHP 8.4.
Por ejemplo, algunos elementos HTML cerrarán implícitamente un elemento padre cuando sean encontrados. Las reglas de cierre automático de elementos padres difieren entre HTML 4 y HTML 5, y por lo tanto, la estructura DOM que DOMDocument ve puede ser diferente de la que un navegador web ve, lo que puede permitir potencialmente a un atacante comprometer el HTML resultante.
filenameLa ruta al fichero HTML.
optionsOperación de 'OR' lógica de las constantes de opción libxml.
Si se pasa una cadena vacía a filename
o se nombra un fichero vacío, se generará una advertencia. Esta advertencia
no es generada por libxml y no puede ser controlada utilizando las funciones de manejo de errores de libxml.
Aunque el HTML mal-formado debería cargarse con éxito, esta función puede generar
una advertencia de tipo E_WARNING cuando encuentre una mala etiqueta.
Las funciones de manejo de errores libxml
pueden ser utilizadas para manejar estos errores.
| Versión | Descripción |
|---|---|
| 8.3.0 | Esta función ahora tiene un tipo de retorno bool tentativo. |
| 8.0.0 |
Llamar a esta función de forma estática
ahora lanzará un Error.
Anteriormente, se emitía un E_DEPRECATED.
|
Ejemplo #1 Creando un Documento
<?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();
}