PHP DOMDocument解析HTML时首个table闭合标签失效致嵌套问题

问题场景 #

做HTML转CSV工具时碰到个怪事：用DOMDocument解析多个独立表格的HTML，输出结果重复了后面两个表格的内容。

测试代码 #

$html = <<<HTML
<table>
<tr><td>A</td><td>Rose</td></tr>
</table>

<h1>Leave me behind</h1>

<table>
<tr><td>By</td><td>Any</td></tr>
</table>

<table>
<tr><td>Other</td><td>Name</td></tr>
</table>
HTML;

$dom = new \DOMDocument();
$dom->loadHTML($html, LIBXML_HTML_NODEFDTD | LIBXML_HTML_NOIMPLIED);

foreach ($dom->getElementsByTagName('table') as $table) {
    foreach ($table->getElementsByTagName('tr') as $row) {
        echo trim($row->nodeValue) . PHP_EOL;
    }
}

预期 vs 实际输出 #

预期输出：

ARose
ByAny
OtherName

实际输出：

ARose
ByAny
OtherName
ByAny
OtherName

哪怕把第一个<table>的闭合标签删掉，结果还是一样——明显DOMDocument把后面两个表格错误嵌套进第一个表格里了。

问题根源 #

1. getElementsByTagName是递归查询：这个方法会把当前节点下所有层级的目标标签都找出来，不是只找直接子元素。当后面两个表格被嵌套进第一个后，遍历第一个表格时，会把三个表格的<tr>全捞出来。
2. HTML解析的容错特性：LIBXML的HTML解析器为了兼容不规范HTML，会自动调整DOM结构，这里就出现了非预期的节点嵌套，把独立的表格塞到了第一个里面。

解决办法 #

用XPath精准查询当前表格的直接子元素<tr>，不要递归查所有后代。代码改成这样：

$xpath = new \DOMXPath($dom);

foreach ($dom->getElementsByTagName('table') as $table) {
    foreach ($xpath->query('./tr', $table) as $row) {
        echo trim($row->nodeValue) . PHP_EOL;
    }
}

XPath的./tr只找当前表格节点的直接子节点里的<tr>，不会管嵌套在后代表格里的行，完美避开解析器的结构错误，输出就正常了。

内容的提问来源于stack exchange，提问作者tvanc