本文介绍如何用 file_get_contents 获取远程网页 HTML 源码，并借助 DOMDocument 安全、可靠地进行 HTML 格式化（unminify），解决因文档类型不规范导致的解析错误。
本文介绍如何用 `file_get_contents` 获取远程网页 html 源码，并借助 domdocument 安全、可靠地进行 html 格式化（unminify），解决因文档类型不规范导致的解析错误。
在 PHP 中，通过 file_get_contents() 抓取远程 HTML 页面（如 https://www.emitennews.com/search/）后，若直接用 DOMDocument::loadHTML() 解析，常会遇到类似 Tag header invalid in Entity 的警告或错误。这是因为原始 HTML 可能缺少标准 DOCTYPE 声明、含 HTML5 新标签（如 <header></header>、<nav></nav>）、或存在编码/结构不兼容问题，而 DOMDocument 默认按较严格的 XML/HTML4 规则解析。
正确做法是：在加载前注入兼容性声明，并合理配置解析选项。 推荐方案如下：
$html = file_get_contents('https://www.emitennews.com/search/');
if ($html === false) {
die('Failed to fetch HTML content.');
}
$dom = new DOMDocument();
// 关键：添加 XML 声明 + UTF-8 编码提示，提升解析鲁棒性
$dom->loadHTML('<?xml encoding="UTF-8">' . $html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
// 启用格式化输出（自动缩进）
$dom->formatOutput = true;
$dom->preserveWhiteSpace = false;
// 输出美化后的 HTML（不含 XML 声明和 doctype，仅 body 内容可选）
echo $dom->saveHTML($dom->documentElement);✅ 关键要点说明：
Convert Markdown To HTML And PDF - Markdown和HTML、PDF互转
下载
实现 Markdown↔ HTML 互转，支持导出 PDF，用于用户请求的文档格式转换。
-
<?xml encoding="UTF-8">并非真实 XML，而是向 DOMDocument 提供编码线索，有效规避“invalid tag”类错误； -
LIBXML_HTML_NOIMPLIED阻止自动补全等隐式结构； -
LIBXML_HTML_NODEFDTD避免因缺失引发的警告； - 使用
$dom->documentElement可获取根元素（若需完整文档含 doctype，改用$dom->saveHTML()）； - 若目标仅为美化
内容，可在加载后定位并输出：$dom->saveHTML($dom->getElementsByTagName('body')->item(0))。
⚠️ 注意事项：
立即学习“PHP免费学习笔记（深入）”；
- 远程请求需确保
allow_url_fopen=On，或改用 cURL（更可控）； - 实际项目中建议添加 HTTP 错误处理、超时设置与 UA 头（部分网站反爬）；
-
DOMDocument会修正非法嵌套，结果可能与原始结构略有差异——这是 HTML 规范化的一部分，而非缺陷； - 如需更高精度的“反混淆”（如还原被压缩的 JS/CSS 内联逻辑），需配合专用解析器（如
jshint或html-beautifyCLI），PHP 原生 DOM 不处理脚本内容。
综上，通过声明式预处理 + 合理 libxml 标志组合，即可稳定实现 HTML 抓取与可读性美化，兼顾健壮性与简洁性。
