如何在 PHP 中删除重复的嵌套 DOM 元素？

Question

假设您有一个带有嵌套标签的 DOM 树，我想通过删除重复项来清理 DOM 对象。但是，这仅适用于标签仅具有相同类型的单个子标签的情况。例如，

修复

1

而不是

1

;2

。

我试图弄清楚如何使用 PHP 的 DOM 扩展 来做到这一点。下面是起始代码，我正在寻求帮助来找出所需的逻辑。

<?php

libxml_use_internal_errors(TRUE);

$html = '<div><div><div><p>Some text here</p></div></div></div>';

$dom = new DOMDocument;
$dom->preserveWhiteSpace = false;
$dom->formatOutput = true;
$dom->loadHTML($html);

function dom_remove_duplicate_nodes($node)
{
    var_dump($node);

    if($node->hasChildNodes())
    {
        for($i = 0; $i < $node->childNodes->length; $i++)
        {
            $child = $node->childNodes->item($i);

            dom_remove_duplicate_nodes($child);
        }
    }
    else
    {
        // Process here?
    }
}

dom_remove_duplicate_nodes($dom);

我收集了一些辅助函数，这些函数可能会让像 JavaScript 一样更轻松地使用 DOM 节点。

function DOM_delete_node($node)
{
    DOM_delete_children($node);
    return $node->parentNode->removeChild($node);
}

function DOM_delete_children($node)
{
    while (isset($node->firstChild))
    {
        DOM_delete_children($node->firstChild);
        $node->removeChild($node->firstChild);
    }
}

function DOM_dump_child_nodes($node)
{
    $output = '';
    $owner_document = $node->ownerDocument;

    foreach ($node->childNodes as $el)
    {
        $output .= $owner_document->saveHTML($el);
    }
    return $output;
}

function DOM_dump_node($node)
{
    if($node->ownerDocument)
    {
        return $node->ownerDocument->saveHTML($node);
    }
}

Answer 1

您可以使用 DOMDocument 和 DOMXPath 轻松完成此操作。 XPath 在您的情况下特别有用，因为您可以轻松划分逻辑来选择要删除的元素以及删除元素的方式。

首先，标准化输入。我并不完全清楚空空格的含义，我认为它可能是空文本节点（可能已被删除为 preserveWhiteSpace 是 FALSE 但我不确定）或者它们的规范化空白是否为空。我选择了第一个（如果有必要的话），万一它是另一个变体，我留下了评论，用什么代替：

$xp = new DOMXPath($dom);

//remove empty textnodes - if necessary at all
// (in case remove WS: [normalize-space()=""])
foreach($xp->query('//text()[""]') as $i => $tn)
{
    $tn->parentNode->removeChild($tn);
}

在这个文本节点规范化之后，你不应该遇到你在一条评论中谈到的问题。

下一部分是查找与其父元素同名且是唯一子元素的所有元素。这又可以用xpath来表达。如果找到此类元素，它们的所有子元素都会移动到父元素，然后该元素也将被删除：

// all child elements with same name as parent element and being
// the only child element.
$r = $xp->query('body//*/child::*[name(.)=name(..) and count(../child::*)=1]');
foreach($r as $i => $dupe)
{
    while($dupe->childNodes->length)
    {
        $child = $dupe->firstChild;
        $dupe->removeChild($child);
        $dupe->parentNode->appendChild($child);
    }   
    $dupe->parentNode->removeChild($dupe);
}

完整演示。

正如您在演示中看到的，这独立于文本节点和注释。如果您不希望这样，例如实际文本，则计算子级的表达式需要覆盖所有节点类型。但我不知道这是否是您的确切需求。如果是，这会计算所有节点类型的子节点数：

body//*/child::*[name(.)=name(..) and count(../child::node())=1]

如果您没有预先规范化空文本节点（删除空文本节点），那么这太严格了。选择您需要的工具集，我认为规范化加上这条严格的规则可能是最好的选择。

Answer 2

看起来你在这里几乎拥有了你需要的一切。您在哪里有 // Process here？ 执行如下操作：

if ($node->parentNode->nodeName == $node->nodeName 
  && $node->parentNode->childNodes->length == 1) {
  $node->parentNode->removeChild($node);
}

此外，您当前在 dom_remove_duplicate_notes() 中使用递归，这在计算上可能会很昂贵。可以使用如下方法迭代文档中的每个节点，而无需递归： https://github.com/elazar/domquery/blob/master/trunk/DOMQuery.php#L73

Answer 3

以下是一个几乎可以工作的片段。虽然它确实删除了重复的嵌套节点，但由于 ->appendChild()，它更改了源顺序。

<?php
header('Content-Type: text/plain');

libxml_use_internal_errors(TRUE);

$html = "<div>\n<div>\n<div>\n<p>Some text here</p>\n</div>\n</div>\n</div>";

$dom = new DOMDocument;
$dom->preserveWhiteSpace = false;
$dom->formatOutput = true;
$dom->loadHTML($html);

function dom_remove_duplicate_nodes($node)
{
    //var_dump($node);

    if($node->hasChildNodes())
    {
        $newNode = NULL;
        for($i = 0; $i < $node->childNodes->length; $i++)
        {
            $child = $node->childNodes->item($i);

            dom_remove_duplicate_nodes($child);

            if($newNode === FALSE) continue;

            // If there is a parent to check against
            if($child->nodeName == $node->nodeName)
            {
                // Did we already find the same child?
                if($newNode OR $newNode === FALSE)
                {
                    $newNode = FALSE;
                }
                else
                {
                    $newNode = $child;
                }
            }
            elseif($child->nodeName == '#text')
            {
                // Something other than whitespace?
                if(trim($child->nodeValue))
                {
                    $newNode = FALSE;
                }
            }
            else
            {
                $newNode = FALSE;
            }
        }

        if($newNode)
        {
            // Does not transfer $newNode children!!!!
            //$node->parentNode->replaceChild($newNode, $node);

            // Works, but appends in reverse!!
            $node->parentNode->appendChild($newNode);
            $node->parentNode->removeChild($node);
        }
    }
}

print $dom->saveHTML(). "\n\n\n";
dom_remove_duplicate_nodes($dom);
print $dom->saveHTML();