使用 PHP 和 cURL 从混合文本/html/javascript 文件中提取 JSON 数据答案

【问题标题】：Use PHP and cURL to pull JSON data from mixed text / html / javascript file使用 PHP 和 cURL 从混合文本/html/javascript 文件中提取 JSON 数据
【发布时间】：2015-11-22 11:04:00
【问题描述】：

在THIS 链接上使用 PHP 和 cURL，返回一个包含类似以下信息的文件：

<!DOCTYPE html>
<html>
    <head></head>
    <body>
        <script>
            window['flyerData'] = {
                "id":489640,
                "categories":[{
                    "id":527,
                    "flyer_category_id":1201344,
                    "run_category_id":null,
                    "skipped":null,
                    "name":"Pharmacy",
                    "left":2925.0,
                    "bottom":-2560.0,
                    "right":4388.0,
                    "top":0.0,
                    "thumbnail_image_url":null
                }]
            }
        </script>
    </body>
</html>

如您所见，结果是混合的 html / javascript。我想做的是使用window['flyerData']，这样我就可以根据需要过滤值。

如何使用 PHP 和 cURL 来解决这个问题？

【问题讨论】：

您使用 cURL 请求的文件在您的控制之下？你能以任何方式修改它吗？
您是否有权在您的服务器上创建和执行 Node.JS 脚本？
@Alvaro Gonzalez 不，文件不在我的控制之下，这是一个刮擦。
@TbWill4321 我还不熟悉 Node.JS..。你想到了什么？
Parse HTML in PHP and return JSON的可能重复

标签： javascript php json curl

【解决方案1】：

这非常适合拉我想要的字符串：

preg_match('/window\[\'flyerData\'\] \= (\{.*\};)/', $responseBody, $matches);
echo $matches[1];

【讨论】：

【解决方案2】：

你可以这样做（未经测试）：

<?php
    //get the contents of the curl call
    $curlOutput = "<!DOCTYPE html>
                        <html>
                            <head></head>
                            <body>
                                <script>
                                    window['flyerData'] = {
                                        "id":489640,
                                        "categories":[{
                                            "id":527,
                                            "flyer_category_id":1201344,
                                            "run_category_id":null,
                                            "skipped":null,
                                            "name":"Pharmacy",
                                            "left":2925.0,
                                            "bottom":-2560.0,
                                            "right":4388.0,
                                            "top":0.0,
                                            "thumbnail_image_url":null
                                        }]
                                    }
                                </script>
                            </body>
                        </html>";
    //strip out everything except for the values between the first '{' and the last '}'
    $json = substr($curlOutput, stripos($curlOutput, '{'), strripos($curlOutput, '}'));
    //parse that string as JSON
    $decodedJson = json_decode($json);
    var_dump(decodedJson);
    var_dump(decodedJson.categories);
?>

但请注意，这种类型的解析被认为是脆弱的，因为来自curl 调用的字符串格式不能保证继续符合它现在所做的 HTML/JS。这就是为什么如果您可以访问一个定义良好的 API 是更好的选择。

【讨论】：

可能比这复杂一点。结果中有许多脚本标签。您将查看是否查看源代码。我知道window['flyerData'] 每次都是不变的，这就是我需要处理的全部内容。
您的复杂性仅在于解析字符串以获得您想要的值。您可以将起始位置更改为字符串window['flyerData'] = { 的索引，然后查看该索引与第一次出现</script> 之间的字符串。我敢肯定有很多正则表达式示例可以帮助您。
您的解决方案很接近，但您的第二个 stripos 返回了在整个文件中找到的第一个 "}" 的索引，而不是在我正在搜索的上下文中找到的第一个。原来有在文件的前面已经有一个"}"。这导致最终输出被缩短。如果它是整个文件中唯一的"}"，那么您的解决方案将是完美的，所以我会给你一个观点；）我最终使用了这个：preg_match('/window\[\'flyerData\'\] = (\{.*\}\;)/', $responseBody, $matches); echo $matches[1]; 哪个有效。