1

我只有一个用于 HTML 解析的 PHP 脚本，它适用于简单的网站，但现在我需要从这个网站解析电影程序。我正在使用这个file_get_contents函数，它只返回 4 个新行分隔符\n，我就是不知道为什么。网站本身将更难以使用 DOMDocument 解析 XPath，因为程序本身只是弹出窗口，它似乎不会更改 URL 地址，但我会在检索网站的 HTML 代码后尝试处理这个问题.

这是我的脚本的缩短版本：

<?php
      $url = "http://www.cinemacity.cz/";
      $content = file_get_contents($url);
      $dom = new DomDocument;
      $dom->loadHTML($content);

      if ($dom == FALSE) {
        echo "FAAAAIL\n";
      }

      $xpath = new DOMXPath($dom);

      $tags = $xpath->query("/html");

      foreach ($tags as $tag) {
        var_dump(trim($tag->nodeValue));
      }
?>

编辑：

因此，按照 WBAR 的建议（谢谢），我正在寻找一种方法来更改 file_get_contents() 函数中的标头，这是我在其他地方找到的答案。现在我能够获得该网站的 HTML，希望我能管理这个烂摊子的解析：D

<?php
    libxml_use_internal_errors(true);
    // Create a stream
    $opts = array(
      'http'=>array(
        'user_agent' => 'PHP libxml agent', //Wget 1.13.4
        'method'=>"GET",
        'header'=>"Accept-language: en\r\n" .
                  "Cookie: foo=bar\r\n"
      )
    );
    $context = stream_context_create($opts);

    // Open the file using the HTTP headers set above
    $content = file_get_contents('http://www.cinemacity.cz/', false, $context);

    $dom = new DomDocument;
    $dom->loadHTML($content);

    if ($dom == FALSE) {
        echo "FAAAAIL\n";
    }

    $xpath = new DOMXPath($dom);

    $tags = $xpath->query("/html");

    foreach ($tags as $tag) {
        var_dump(trim($tag->nodeValue));
    }
?>
4

2 回答 2

4

问题不在于 PHP，而在于目标主机。它检测客户端的 User-Agent 标头。看这个：

wget http://www.cinemacity.cz/
2012-10-07 13:54:39 (1,44 MB/s) - saved `index.html.1' [234908]

但是当删除 User-Agent 标头时：

wget --user-agent="" http://www.cinemacity.cz/
2012-10-07 13:55:41 (262 KB/s) - saved `index.html.2' [4/4]

服务器只返回了 4 个字节

于 2012-10-07T11:57:44.877 回答
0

尝试以这种方式获取内容：

  function get2url($url, $timeout = 30, $port = 80, $buffer = 128) {
    $arr = parse_url($url);
    if(count($arr) < 3) return "URL ERROR";

    $ssl = "";
    if($arr['scheme'] == "https") $ssl = "ssl://";

    $header  = "GET " . $arr['path'] . "?" . $arr['query'] . " HTTP/1.0\r\n";
    $header .= "Host: " . $arr['host'] . "\r\n";
    $header .= "\r\n";

    $f = @fsockopen($ssl . $arr['host'], $port, $errno, $errstr, $timeout);

    if(!$f)
      return $errstr . " (" . $errno . ")";

    else{
      @fputs($f, $header . $arr['query']);

      $echo = "";
      while(!feof($f)) { $echo .= @fgets($f, $buffer); }

      @fclose($f);

      return $echo;
    }
  }

不过，您将不得不删除标题。

于 2012-10-07T11:52:11.527 回答