不可能用 php 来 html 解析 facebook 公共配置文件答案

【问题标题】：impossible to html parsing facebook public profile with php不可能用 php 来 html 解析 facebook 公共配置文件
【发布时间】：2011-09-06 16:25:09
【问题描述】：

我从这个网址抓取了一个 html：http://facebook.com/zuck 将它回显到客户端浏览器没有问题，但我发现用 php 解析它是不可能的。

例如，我正在尝试解析 div 标签内的文本：

preg_match_all("/<div class=\"mediaPageName\">(.*)<\/div>/",$html,$matches);
print_r($matches);

返回空数组我还尝试使用 DOMDocument 和 PHP Simple HTML DOM Parser，它们都返回空元素并且无法获取 html 的文本。

这怎么可能？有解决办法吗？

【问题讨论】：

抓取可能违反了 ToS。如果可能，最好使用图形 API：graph.facebook.com/zuck
@Frank Farmer 也许是真的，但考虑到 Facebook 的所有隐私问题，担心 Facebook 违反 ToS 是很讽刺的。
他想parse HTML using a regex吗？

标签： php html facebook parsing

【解决方案1】：

很有可能。

最简单的方法是将完整的 DOM 加载到 DOMDocument 或phpQuery

编辑：

通过查看所提供链接的源代码，您正在搜索的元素正在替换小于字符的 < 为 unicode 表示：\u003c。

示例：\u003cdiv class=\"mediaPageName\">Nirvana\u003c\/div>

编辑 2：
正如其他人所提到的，在不必要的时候不要解析 HTML。但正如 Frank Farmer 所提到的，在这种情况下，这似乎是必需的。

这个正则表达式会找到一些匹配项（每行只有一个，希望有人可以调整它以获得所有匹配项）。 preg_match_all('%\\\\u003cdiv class=.*mediaPageName[^>]*>([^>]*)\\\\u003c%i', $html, $matches);

了解如何使用here 概述的 Unicode 正则表达式可能是值得的。

【讨论】：

@Brad F Jacobs 我明白了，但这并不意味着它不是正确的解决方案 - 可以使用 DOMDocument 轻松完成。
@brian_d 即使我只做preg_match('/mediaPageName/',$html) 它也会返回false，但是我用echo 进行了检查，我可以用我的眼睛看到带有mediaPageName 类的div 元素。我不明白。
@brian_d 我试图将它加载到 DOMDocument 中，但它不起作用。
@Ben preg_match 应该返回一个数字，并且仅在错误时返回 false。 php.net/manual/en/function.preg-match.php。您需要模式分隔符 - 例如）'/mediaPageName/'
@Ben 看看我更新的答案，看起来您正在寻找的 div 以 unicode \u003c 输出 < 符号

【解决方案2】：

如果您只使用Graph API，从长远来看，您可能会变得更好。头像和一些基本账户信息是公开的，不需要认证或授权。例如，只需发出http://graph.facebook.com/zuck/picture 的请求。

【讨论】：

我知道了，但我无法从图形 api 中获取我需要的所有数据。我的问题有解决方案吗？
解决方法是说“哦，好吧”。屏幕抓取 Facebook 最终会以眼泪收场。

【解决方案3】：

$html = str_replace(array('\u003c','\"','\/'), array('<','"','/'), $html);
preg_match_all('/<div class=\"mediaPageName\">(.*?)<\/div>/', $html, $matches); 
var_dump($matches);

必须是用一行 preg_match 而不是上面的代码来做的一种方法，并且还要抓住这个标签<span class="fwb">text</span>，但我不知道如何将它写在一行中。

【讨论】：