如何使用XPath匹配HTML编码文本？解决 匹配失效问题

问题原因 #

HTML中的 在被DOMDocument解析后，会转换为Unicode不间断空格字符（U+00A0），你的原有代码仅匹配普通半角空格（U+0020）包裹的目标字符串，自然无法识别被 包裹的场景。

修复方案 #

有两种常用实现方式，可根据需求选择：

方案1：XPath层面统一替换空白字符再匹配 #

直接在XPath表达式中把所有空白字符（包含不间断空格、制表符、换行符等）统一替换为普通空格，再进行包含匹配，代码修改如下：

$d->loadHTML('<?xml encoding="UTF-8">'.$html);
$xpath = new DOMXPath($d);
$txt = "rest";
$txt_lower = strtolower($txt);
// 构造XPath表达式：先转小写，再归一化空白，前后拼接空格实现全单词匹配
$xpath_expr = '/html/body//text()[
    contains(
        concat(" ", normalize-space(translate(., "ABCDEFGHIJKLMNOPQRSTUVWXYZ", "abcdefghijklmnopqrstuvwxyz")), " "),
        " '.$txt_lower.' "
    )
    and not(ancestor::a)
    and not(ancestor::h2)
    and not(ancestor::h3)
]';
$nodes = $xpath->query($xpath_expr);

这里用到的normalize-space()函数会自动把所有类型的空白统一替换为单个普通空格，同时去掉首尾空白，手动在前后拼接空格就可以实现全单词精确匹配，不会出现部分匹配的问题。

方案2：PHP层面预处理HTML源码 #

如果不想修改原有XPath逻辑，也可以在加载HTML之前直接把源码里的所有 替换成普通空格：

// 替换所有&nbsp为普通空格
$html = str_replace(' ', ' ', $html);
$d->loadHTML('<?xml encoding="UTF-8">'.$html);
// 后续保持原有代码逻辑不变即可
$xpath = new DOMXPath($d);
$txt="rest";
$txt=' '.$txt.' ';
$txt1=strtolower($txt);
$xpath->query('/html/body//text()['.
                           'contains('.
                              'translate(.,"'.strtoupper($txt).'","'.$txt1.'"),'.
                              '"'.$txt1.'"'.
                         ']'.'[not(ancestor::a)][not(ancestor::h2)][not(ancestor::h3)]');

这种方案改造成本更低，适合不想调整原有XPath逻辑的场景。

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