PHP DOMNode保留InnerHTML格式：提取BODY内容格式异常求助

我明白你遇到的困扰：提取HEAD属性一切正常，但处理BODY里的列表内容时，C14N()和saveXML()会改变原始的空格格式，saveHTML()的输出也和预期有差异。这本质上是DOMDocument对HTML和XML的空白处理规则不同导致的，给你几个实用的解决方案：

1. 调整DOMDocument核心参数，保留原始空白 #

DOMDocument默认会忽略节点间的空白文本节点，这就是你看到<ul>后面空格消失的原因。我们可以通过设置参数改变这个行为：

$originalHtml = '<ul> <li>test1</li> <li>test2</li> </ul>';
$dom = new DOMDocument();

// 关键：开启空白保留，避免DOM自动压缩空格
$dom->preserveWhiteSpace = true;
// 加载HTML时，禁止自动添加默认的DOCTYPE、html/body标签（只保留你需要的内容）
$dom->loadHTML($originalHtml, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);

// 提取BODY内的内容
$bodyContent = $dom->getElementsByTagName('body')->item(0);

// 使用saveHTML()输出，贴近原始HTML格式
echo $dom->saveHTML($bodyContent);

这段代码会输出和你原始HTML几乎一致的格式：<ul> <li>test1</li> <li>test2</li> </ul>

2. 理解三种序列化方法的差异 #

• saveXML()和C14N()遵循XML规范，会严格处理空白字符、自动压缩冗余空格，更适合XML文档，而非HTML内容提取。
• saveHTML()是专门为HTML设计的序列化方法，贴近浏览器对HTML的解析逻辑，能保留更多原始格式，是提取HTML内容的优先选择。

3. 极端场景：手动保留空白节点 #

如果对格式要求极高，上面的方法还不够，可以手动遍历DOM节点，强制保留所有空白文本节点：

function preserveWhitespaceNodes(DOMNode $node) {
    foreach ($node->childNodes as $child) {
        if ($child instanceof DOMText && trim($child->nodeValue) === '') {
            // 保留空白文本节点，不被DOM自动忽略
            $child->nodeValue = $child->nodeValue;
        }
        if ($child->hasChildNodes()) {
            preserveWhitespaceNodes($child);
        }
    }
}

// 加载HTML后调用函数处理节点
preserveWhitespaceNodes($dom);

内容的提问来源于stack exchange，提问作者Charly