PHP DOMDocument::loadHTML 怎样处理不完整 HTML

不完整 HTML 能加载，但结果不一定只是原字符串

先看一个只有片段、且缺少闭合标签的输入：

PHP
DOM';

$dom = new DOMDocument();
// loadHTML 会尝试恢复树结构；返回值只说明解析是否成功，不代表输出等于输入。
$ok = $dom->loadHTML($html);

echo $ok ? $dom->saveHTML() : 'parse failed';
?>

这个调用的重点不是“补标签的算法”，而是输入契约。官方手册明确说明 HTML 不必像 XML 那样完全良构；遇到坏标记时仍可能成功，同时产生 E_WARNING。因此，应用应把 bool 返回值、最终 DOM 和解析警告分开记录。

完整文档和 HTML 片段要分开判断

如果要处理的是完整页面，默认包装通常可以接受；如果只是把一段内容交给 XPath 或 DOM 查询，就应该显式声明“不要替我补文档外壳”。常用选项如下：

片段解析可以这样写。LIBXML_HTML_NOIMPLIED 关闭隐式 html/body 等节点，LIBXML_HTML_NODEFDTD 防止没有 doctype 时自动补默认 doctype；二者是“输出形状”控制，不是内容安全策略。

DOM';
$dom = new DOMDocument('1.0', 'UTF-8');

// 只想保留片段节点；NONET 避免解析时访问网络资源。
$flags = LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD | LIBXML_NONET;
$ok = $dom->loadHTML($fragment, $flags);

if (!$ok) {
    throw new RuntimeException('HTML fragment parse failed');
}

// 片段可能没有可直接序列化的完整文档外壳，取节点时要按业务目标检查。
echo $dom->saveHTML();
?>

把警告变成可判断的解析结果

开发环境直接显示 libxml 警告很有用，线上则更适合临时切换到内部错误列表。关键是调用结束后恢复原来的错误模式，避免影响同一请求中的其他 XML/HTML 代码。

loadHTML($html, LIBXML_NONET);
$errors = libxml_get_errors();

// 先保存错误信息，再清理全局列表并恢复调用方的设置。
libxml_clear_errors();
libxml_use_internal_errors($previous);

if (!$ok || $dom->documentElement === null) {
    throw new RuntimeException('HTML produced no usable document');
}

foreach ($errors as $error) {
    error_log(trim($error->message));
}
?>

不要只用 LIBXML_NOERROR 把问题“静音”。它会隐藏错误报告，却不会让 DOM 结构更准确；真正需要的是确认页面是否成功构成目标节点，再决定是否接受可恢复警告。

字符集与 HTML5 规则是另外两条边界

DOMDocument 使用 UTF-8。输入来自接口或文件时，先确认字符串编码；仅仅把 DOMDocument 构造函数写成 UTF-8，并不能自动修复已经按其他编码读取的字节。可以在进入解析器前完成明确的转码，并让源 HTML 的字符集声明与实际内容一致。

还要留意解析模型：PHP 手册提醒 loadHTML() 使用 HTML 4 解析器，而现代浏览器使用 HTML5 规则，同一个不完整结构在两边可能得到不同 DOM。PHP 8.4 起，若业务要求遵循 HTML5 规范，可评估 Dom\HTMLDocument::createFromString()；这不是把旧代码机械替换成新类，而是一次解析语义迁移。

最后，解析成功不代表输入安全。若 HTML 来自用户或第三方，仍需使用专门的允许列表清洗策略；不要把 loadHTML()、LIBXML_NOERROR 或 LIBXML_NONET 当作 XSS 过滤器。

常见问题

为什么少一个闭合标签仍然返回 true？

HTML 解析器允许一定程度的容错，会尝试修复树结构。返回 true 只说明解析器接受了输入，不代表闭合关系和浏览器完全相同；需要继续检查目标节点和警告列表。

片段解析为什么多出了 html 和 body？

这是 libxml 为文档补出的隐式节点。处理片段时组合 LIBXML_HTML_NOIMPLIED 与 LIBXML_HTML_NODEFDTD，再根据实际节点读取结果，不要依赖字符串比较。

PHP 8.4 还应该继续使用 loadHTML 吗？

兼容旧项目和 HTML 4 容错场景仍可使用；如果必须和 HTML5 浏览器解析规则一致，应评估 Dom\HTMLDocument，并针对 XPath、序列化和异常输入补回归测试。

实际排查时，可以按“输入是否为空 → 返回值 → libxml 错误 → 目标节点 → 解析标准”顺序检查。这样既能利用 loadHTML() 对不完整 HTML 的容错，也不会把它的自动修复误当成稳定的 HTML5 语义。