DOMDocument::load()加载非英文维基页面触发警告的原因排查

1. 法语维基百科页面测试 #

测试代码：

$doc = new DOMDocument();
$doc->load("https://fr.wikipedia.org/wiki/Facebook");
echo $doc->saveHTML();

运行后返回警告：

Warning: DOMDocument::load(): Specification mandates value for attribute checked in https://fr.wikipedia.org/wiki/Facebook, line: 43 in C:\laragon\www\test.php on line 190

Warning: DOMDocument::load(): Opening and ending tag mismatch: img line 37 and span in https://fr.wikipedia.org/wiki/Facebook, line: 68 in C:\laragon\www\test.php on line 190

Warning: DOMDocument::load(): Opening and ending tag mismatch: img line 37 and a in https://fr.wikipedia.org/wiki/Facebook, line: 69 in C:\laragon\www\test.php on line 190

Warning: DOMDocument::load(): Opening and ending tag mismatch: span line 37 and div in https://fr.wikipedia.org/wiki/Facebook, line: 71 in C:\laragon\www\test.php on line 190

Warning: DOMDocument::load(): Opening and ending tag mismatch: img line 37 and header in https://fr.wikipedia.org/wiki/Facebook, line: 156 in C:\laragon\www\test.php on line 190

Warning: DOMDocument::load(): Opening and ending tag mismatch: a line 37 and div in https://fr.wikipedia.org/wiki/Facebook, line: 2971 in C:\laragon\www\test.php on line 190

Warning: DOMDocument::load(): Opening and ending tag mismatch: header line 37 and body in https://fr.wikipedia.org/wiki/Facebook, line: 2977 in C:\laragon\www\test.php on line 190

Warning: DOMDocument::load(): Opening and ending tag mismatch: input line 37 and html in https://fr.wikipedia.org/wiki/Facebook, line: 2978 in C:\laragon\www\test.php on line 190

Warning: DOMDocument::load(): EndTag: '</' not found in https://fr.wikipedia.org/wiki/Facebook, line: 2978 in C:\laragon\www\test.php on line 190

2. 中文维基百科页面测试 #

测试代码：

$doc->load(rawurldecode("https://zh.wikipedia.org/wiki/亞馬遜公司"));
echo $doc->saveHTML();

即使使用rawurldecode处理URL适配亚洲语言编码，仍然返回警告：

Warning: DOMDocument::load(): Entity 'reg' not defined in https://zh.wikipedia.org/wiki/%E4%BA%9E%E9%A6%AC%E9%81%9C%E5%85%AC%E5%8F%B8, line: 1382 in C:\laragon\www\test.php on line 181

Warning: DOMDocument::load(): Entity 'trade' not defined in https://zh.wikipedia.org/wiki/%E4%BA%9E%E9%A6%AC%E9%81%9C%E5%85%AC%E5%8F%B8, line: 1382 in C:\laragon\www\test.php on line 181

核心疑问：调用DOMDocument的load方法加载法语、中文、日语等非英文维基页面时会触发不同类型的警告，加载英文页面却可以正常运行，原因是什么，如何解决？

• DOMDocument::load()默认按严格XML规范解析内容，但维基百科返回的是HTML5页面，本身就不满足严格XML语法要求：比如布尔属性不写值、自闭合标签不按XML规则闭合、自定义HTML实体这类写法在HTML里完全合法，放到XML解析器里就会直接报错。
• 不同语言版本的维基页面返回的HTML结构、用到的语法特性有差异，所以报的错误类型不一样：法语版页面存在无值的checked属性、未闭合的img标签这类写法，中文版页面用到了®（注册商标符号）、™（商标符号）这类HTML实体，而XML默认只识别&/</>/"/'5个基础实体，自然会报实体未定义的错误。
• 英文页面只是刚好返回的内容没有触发XML严格校验的雷点，不代表英文页面就完全兼容load()的XML解析规则，只是概率问题。
• 额外提醒：用rawurldecode处理多语言URL完全是多余操作，DOMDocument::load()和file_get_contents()原生支持标准百分号编码的URL，手动解码反而可能在部分环境下导致URL解析异常。

不要直接用load()方法加载远程HTML内容，换成专门针对HTML解析的逻辑，同时临时关闭解析错误抛出，避免警告干扰：

// 1. 先手动获取页面内容，不要直接传URL给load，规避编码、实体解析的兼容问题
$html = file_get_contents("https://zh.wikipedia.org/wiki/亞馬遜公司");
$doc = new DOMDocument();

// 2. 临时关闭内部错误输出，忽略HTML不规范导致的警告
libxml_use_internal_errors(true);

// 3. 用loadHTML()方法而非load()，该方法按HTML语法规则解析，不强制严格XML规范
// 前置加UTF-8编码声明，避免解析后出现乱码
$doc->loadHTML('<?xml encoding="UTF-8">' . $html);

// 4. 不需要留存错误信息就清空错误缓存，恢复错误抛出规则
libxml_clear_errors();
libxml_use_internal_errors(false);

echo $doc->saveHTML();

该写法适配所有语言版本的维基页面解析，不会再出现上述警告，最终生成的DOM结构可正常使用。

内容的提问来源于stack exchange，提问作者user7962781