使用DomDocument獲取元素在破損的HTML頁面上使用DomDocument

Question

我想從this page中提取只有一個具有id=MainText的div元素。然而，當我這個頁面的內容加載到DOM對象，我得到幾個錯誤：

 
Tag g:plusone invalid... 
Unexpected end tag... 
htmlParseEntityRef: no name ... 
htmlParseEntityRef: expecting ';' ... 

所以，我在想，如果有可能從文檔忽略所有其他的東西而直接進入到第一部分只需要獲取具有該特定ID的div元素即可。

或者，有沒有其他的使用domdocument類來實現相同的目的？我不擅長寫正則表達式。

Answer 1

切勿在HTML中使用RegEx。

堅持使用DOMDocument，如果不會導致進一步的問題，可能會抑制錯誤。

Answer 2

w3c驗證程序在快速運行時會吐出很多錯誤。嘗試使用這種方法清理html，然後將其提供給DomDocument：

#Assuming that $html is your html source (retrieve it as you prefer) 
$tidy = new tidy; 
$tidy->parseString($html, $config, 'utf8'); 
$tidy->cleanRepair(); 

$document = new DOMDocument(); 
$document->loadHTML((string)$tidy);