使用DomDocument获取元素在破损的HTML页面上使用DomDocument

Question

我想从this page中提取只有一个具有id=MainText的div元素。然而，当我这个页面的内容加载到DOM对象，我得到几个错误：

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

所以，我在想，如果有可能从文档忽略所有其他的东西而直接进入到第一部分只需要获取具有该特定ID的div元素即可。

或者，有没有其他的使用domdocument类来实现相同的目的？我不擅长写正则表达式。

Answer 1

切勿在HTML中使用RegEx。

坚持使用DOMDocument，如果不会导致进一步的问题，可能会抑制错误。

Answer 2

w3c验证程序在快速运行时会吐出很多错误。尝试使用这种方法清理html，然后将其提供给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);