PHP análisis de HTML no válido

Question

Estoy tratando de analizar algo de HTML que no está en mi servidor

$dom = new DOMDocument(); 
    $dom->loadHTMLfile("http://www.some-site.org/page.aspx");  
    echo $dom->getElementById('his_id')->item(0); 

pero php devuelve un error como algo ID his_id already defined in http://www.some-site.org/page.aspx, line: 33. Creo que es porque DOMDocument está tratando con html no válido. Entonces, ¿cómo puedo analizarlo aunque no sea válido?

Answer 1

Debe ejecutar HTML Tidy en él para limpiarlo antes de analizarlo.

$html = file_get_contents('http://www.some-site.org/page.aspx'); 
$config = array(
    'clean' => 'yes', 
    'output-html' => 'yes', 
); 
$tidy = tidy_parse_string($html, $config, 'utf8'); 
$tidy->cleanRepair(); 
$dom = new DOMDocument; 
$dom->loadHTML($tidy); 

Ver esto list of options.

Answer 2

lectura de la documentación, veo un $dom->strictErrorChecking que los valores por defecto en TRUE. ¿Qué ocurre si se establece $dom->strictErrorChecking = false?

Answer 3

Tener un vistazo a:?. Libxml_use_internal_errors()

http://php.net/libxml_use_internal_errors