XSLT转换HTML至XML时因'if:'文本导致节点选择异常求助

问题场景 #

当HTML中的<p>元素文本以if:结尾时，PHP的transformToXML解析出现异常——原本不应被选中的后续元素被错误选中并上移到输出XML中；移除冒号后问题消失。

关键代码与输出对比 #

1. HTML示例 #

<div class="content">
  <p>Some normal text</p>
  <p>Check this condition if:</p>
  <div class="ignore-me">
    <p>Should not be included</p>
  </div>
  <p>Another normal paragraph</p>
</div>

2. 错误输出XML #

<root>
  <para>Some normal text</para>
  <para>Check this condition if:</para>
  <para>Should not be included</para>
  <para>Another normal paragraph</para>
</root>

3. 期望输出XML #

<root>
  <para>Some normal text</para>
  <para>Check this condition if:</para>
  <para>Another normal paragraph</para>
</root>

4. XSLT代码 #

<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
  <xsl:output method="xml" indent="yes"/>
  <xsl:template match="/">
    <root>
      <xsl:apply-templates select="//div[@class='content']//p[not(ancestor::div[@class='ignore-me'])]"/>
    </root>
  </xsl:template>

  <xsl:template match="p">
    <para>
      <xsl:value-of select="text()"/>
    </para>
  </xsl:template>
</xsl:stylesheet>

5. PHP代码 #

$html = file_get_contents('input.html');
$xsl = file_get_contents('transform.xsl');

$dom = new DOMDocument();
$dom->loadHTML($html);

$xslDom = new DOMDocument();
$xslDom->loadXML($xsl);

$proc = new XSLTProcessor();
$proc->importStylesheet($xslDom);

$output = $proc->transformToXML($dom);
echo $output;

问题原因 #

核心是HTML解析的标签结构异常：PHP的DOMDocument::loadHTML基于libxml，当<p>文本以if:结尾时，libxml可能误将其判定为特殊语法起始，导致后续的<div class="ignore-me">未被正确解析为嵌套结构，而是被当作<p>的同级元素。这使得XPath选择器无法识别该<p>的祖先节点，最终错误选中。

解决方案 #

方案1：强制严格解析HTML #

修改PHP加载HTML的代码，添加libxml参数，强制以XHTML规范解析，避免自动调整标签结构：

$dom->loadHTML($html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);

方案2：优化XPath选择逻辑 #

调整XSLT中的选择器，更精确地限定目标<p>的范围：

<!-- 明确选择content下、不属于ignore-me容器的p -->
<xsl:apply-templates select="//div[@class='content']/descendant::p[not(ancestor::div[@class='ignore-me'])]"/>

方案3：预处理文本转义 #

对<p>结尾的if:进行HTML转义，解析完成后再还原：

// 预处理转义
$html = str_replace('if:', 'if:', $html);
$dom->loadHTML($html);

// 转换后还原
$output = str_replace('if:', 'if:', $proc->transformToXML($dom));
echo $output;

验证 #

修改后测试，<p>文本以if:结尾时，ignore-me容器内的<p>会被正确排除，输出符合期望的XML结构。

内容的提问来源于stack exchange，提问作者Deggy