如何用Python解析含PHP代码的HTML页面并保留PHP代码？

针对你的需求（将HTML+PHP页面转换为可通过命令行参数生成JSON的PHP代码），以下几种方法可以避免自行编写完整解析器：

1. 使用lxml直接处理PHP节点 #

lxml会将内嵌的PHP代码解析为ProcessingInstruction节点，无需额外预处理即可保留原代码，直接操作DOM结构后还能正确还原。

示例代码： #

from lxml import html

# 解析含PHP的HTML
html_content = """
<html>
<body>
<p><?php echo $username; ?></p>
<?php foreach($list as $item): ?>
<div class="item"><?php echo $item['title']; ?></div>
<?php endforeach; ?>
</body>
</html>
"""
tree = html.fromstring(html_content)

# 遍历并修改DOM（示例：给body添加class）
body_node = tree.find('.//body')
body_node.set('class', 'container')

# 提取所有PHP节点（可选操作）
php_nodes = tree.xpath('//processing-instruction("php")')
for node in php_nodes:
    print(f"PHP代码片段：{node.text}")

# 转换回HTML字符串，PHP代码完整保留
final_html = html.tostring(tree, encoding='unicode')
print(final_html)

优点：原生支持PHP节点处理，无需占位符替换，效率高；DOM操作灵活，适合需要调整HTML结构的场景。

2. 占位符替换+通用HTML解析器（如BeautifulSoup） #

如果更习惯使用BeautifulSoup这类解析器，可以先将PHP代码替换为唯一占位符，解析完成后再还原原代码，避免解析器破坏PHP结构。

示例代码： #

import re
import uuid
from bs4 import BeautifulSoup

# 预处理：替换PHP代码为唯一占位符
def replace_php_with_placeholder(html):
    php_map = {}
    def replace_match(match):
        uid = f"__PHP_{uuid.uuid4().hex}__"
        php_map[uid] = match.group(0)
        return uid
    # 匹配所有<?php ... ?>块（支持多行）
    processed = re.sub(r'<\?php.*?\?>', replace_match, html, flags=re.DOTALL)
    return processed, php_map

# 还原PHP代码
def restore_php_from_placeholder(html, php_map):
    for uid, php_code in php_map.items():
        html = html.replace(uid, php_code)
    return html

# 使用流程
raw_html = """
<div><?php echo $content; ?></div>
<?php if($show): ?>
<p>可见内容</p>
<?php endif; ?>
"""

processed_html, php_map = replace_php_with_placeholder(raw_html)
soup = BeautifulSoup(processed_html, 'html.parser')

# 执行HTML操作（示例：添加一个新div）
new_div = soup.new_tag('div', id='new-content')
new_div.string = '静态内容'
soup.body.append(new_div)

# 还原PHP代码
final_html = restore_php_from_placeholder(str(soup), php_map)
print(final_html)

优点：兼容所有通用HTML解析器，无需学习新库；占位符用UUID生成，避免与内容冲突。

针对你的需求的优化建议 #

因为你最终要生成可通过命令行参数输出JSON的PHP代码，可基于上述方法进一步处理：

1. 用lxml或占位符法解析HTML后，拆分静态HTML片段与动态PHP片段；
2. 将静态部分转为PHP字符串，动态部分保留为可执行的PHP代码；
3. 组装成接收命令行参数、生成包含最终HTML内容的JSON的PHP脚本。

简化示例（基于lxml）： #

from lxml import html

def generate_json_php(html_content):
    tree = html.fromstring(html_content)
    output_parts = []

    def traverse_node(node):
        # 处理PHP节点
        if node.tag is html.etree.ProcessingInstruction and node.target == 'php':
            output_parts.append(f"<?php {node.text} ?>")
            return
        # 处理标签开始
        tag_attrs = ' '.join([f'{k}="{v}"' for k, v in node.attrib.items()])
        start_tag = f"<{node.tag}{' ' + tag_attrs if tag_attrs else ''}>"
        output_parts.append(start_tag)
        # 处理文本内容
        if node.text and node.text.strip():
            output_parts.append(node.text.strip())
        # 递归处理子节点
        for child in node:
            traverse_node(child)
        # 处理标签结束（忽略自闭合标签）
        if node.tag not in ['br', 'img', 'input']:
            output_parts.append(f"</{node.tag}>")

    traverse_node(tree)

    # 组装成目标PHP代码
    target_php = f"""<?php
// 处理命令行参数
$params = array_slice($argv, 1);
$dynamic_data = [];
// 示例：将命令行参数转为键值对
foreach($params as $param) {{
    list($key, $value) = explode('=', $param, 2);
    $dynamic_data[$key] = $value;
}}

// 拼接HTML内容（静态片段+动态PHP）
$html_fragments = [
    {' , '.join([f"'{p.replace(\"'\", \"\\'\")}'" if not p.startswith('<?php') else p for p in output_parts])}
];
$final_html = implode('', $html_fragments);

// 生成JSON输出
echo json_encode([
    'params' => $dynamic_data,
    'generated_html' => $final_html
], JSON_PRETTY_PRINT);
?>"""
    return target_php

# 使用示例
source_html = """
<html>
<body>
<h1>Hello <?php echo $dynamic_data['name']; ?></h1>
</body>
</html>
"""

print(generate_json_php(source_html))

运行生成的PHP脚本时，可通过命令行传递参数：php output.php name=John，即可输出包含生成后HTML的JSON。

内容的提问来源于stack exchange，提问作者Bogudan