如何解析含未转义&符号的HTML？DOMDocument报错解决

问题原因 #

客户网站HTML中存在未转义的&符号（比如链接文本里的Campus & Staff），DOMDocument的HTML解析器会将这类&视为实体引用的起始，但因为缺少后续的;或合法实体名称，触发解析警告，甚至导致href提取异常。

可行解决方案 #

方案1：先获取HTML内容并修复未转义&，再加载解析

既然无法直接修改源网站的HTML，可先拉取页面内容，用正则修复未转义的&，再交给DOMDocument处理：

// 拉取目标页面HTML内容
$htmlContent = file_get_contents($url);
// 替换所有未转义的&为&，不破坏已有的合法实体（如 、<等）
$fixedHtml = preg_replace('/&(?!#?[a-z0-9]+;)/i', '&', $htmlContent);

// 初始化DOMDocument并禁用错误输出
$dom = new DOMDocument('1.0', 'UTF-8');
libxml_use_internal_errors(true);
$dom->loadHTML($fixedHtml);
libxml_clear_errors(); // 清除解析过程中的错误记录

// 正常提取所有a标签的href属性
$linkNodes = $dom->getElementsByTagName('a');
foreach ($linkNodes as $node) {
    $href = $node->getAttribute('href');
    // 可根据需求处理href（如补全绝对路径等）
    echo $href . PHP_EOL;
}

正则表达式/(?!#?[a-z0-9]+;)是负向预查，确保只替换那些不是合法实体开头的&，避免误改已正确转义的内容。

方案2：仅禁用解析错误输出，强制提取href

如果不想修改HTML内容，可先禁用libxml的错误输出，强制DOMDocument完成解析，再尝试提取href（部分场景下可能正常工作，但解析异常时仍可能丢失节点）：

$dom = new DOMDocument('1.0', 'UTF-8');
// 禁用错误输出，避免警告信息泄露到页面
libxml_use_internal_errors(true);
$dom->loadHTMLFile($url);
libxml_clear_errors();

// 提取href
$linkNodes = $dom->getElementsByTagName('a');
foreach ($linkNodes as $node) {
    echo $node->getAttribute('href') . PHP_EOL;
}

注意：这种方法依赖DOMDocument的容错能力，若HTML结构损坏严重，仍可能出现href提取不全或错误的情况，优先推荐方案1。

内容的提问来源于stack exchange，提问作者Parapluie