PHP 和 html 标签答案

【问题标题】：PHP and html tagsPHP 和 html 标签
【发布时间】：2016-08-24 15:20:26
【问题描述】：

尝试做一些网页抓取，但无法理解 php 如何解析 html 标签。我目前不在我的网络服务器上，所以我正在在线测试代码。在http://phptester.net/ 我的代码是这样的：

<?php
$start = "<title>";
$end = "</title>";
$data = "<title>this is a test </title>";
echo $start . " " . $end . " " . "<br>";
echo $data . "<br>";
echo strlen($start) . "<br>";
echo htmlspecialchars($data) . "<br>";
$data = stristr(htmlspecialchars($data), htmlspecialchars($start));
$data = substr(htmlspecialchars($data), strlen($start));

if($data===false){
    echo 'string not found';
}
else{
    echo $data;
}

现在是一些示例输入和输出。

Input  
  $start="<title>"
  $end="</title>"
Output
  (blank line)
  (blank line)
  7
  <title>this is a test </title>
  ;title&gt;this is a test &lt;/title&gt;

Input
  $start=&lt;title&gt;
  $end=&lt;/title&gt;
Output
  <title> </title> 
  (blank line)
  13
  <title>this is a test </title>
  string not found

变化

$data = stristr(htmlspecialchars($data), htmlspecialchars($start));

到

$data = stristr(htmlspecialchars($data), $start);

并重新测试。

Input  
  $start="<title>"
  $end="</title>"
Output
  (blank line)
  (blank line)
  7
  <title>this is a test </title>
  string not found

Input  
  $start="&lt;title&gt;"
  $end="&lt;/title&gt;"
Output
  <title> </title> 
  (blank line)
  13
  <title>this is a test </title>
  &gt;this is a test &lt;/title&gt;

我期待最后一个工作。我认为它将在实际的 Web 服务器上，因为似乎这个在线 php 测试器在字符串的开头插入了额外的 4 个字符，以防止最后四个字符被删除。

接下来我尝试了http://sandbox.onlinephpfunctions.com/，没有任何 htmlspecialchar 函数的原始字符串完全符合我的预期。我在他们两个中都使用了相同的版本。现在我很困惑。

抱歉，帖子太长了。如果有人可以向我解释 php 如何解析 html 标签，我将不胜感激。谢谢。

【问题讨论】：

PHP 不会随机解析 HTML。要实际解析您想要的 HTML，例如DomDocument 或 SimpleXML 扩展。正如你所说，你的帖子很长，所以我很难真正弄清楚你想要表达什么。
php 不知道 html 是什么。这只是文本。但是由于您已经注释掉了您的scrape_str，因此您实际上是在针对substr() 的结果进行=== false 测试，这只会在失败时返回false。
如果 php 将 html 视为文本，那么为什么将视为特殊字符？为什么它不只是将其视为常规字符串？
是的，这很不错——我过去用过。 simplehtmldom.sourceforge.net
@RichardHousham OH GOODNESS SOURCEFORGE :melty_face_emoji:

标签： php html string-parsing

【解决方案1】：

你的代码显然有错误。您正在使用多个 = 操作重写 $data 变量。相反，使用这样的东西：

.........
$data = "<title>this is a test </title>";
.........
$data1 = stristr(htmlspecialchars($data), htmlspecialchars($start));
$data2 = substr(htmlspecialchars($data), strlen($start));
.........
if (!$data1 && !$data2){
    echo 'not found';
}
......

【讨论】：

【解决方案2】：

这不是 PHP 解析，因此会造成很多混乱。您主要是在查看字符串操作。

所以在下面的代码中为我的主机上的输出提供更多上下文

$start = "<title>";
$end = "</title>";
$data = "<title>this is a test </title>";
echo "Showing Start: " . $start . " " . $end . " " . "<br>";
echo "Showing Data: " . $data . "<br>";
echo "Showing LEN Start: " . strlen($start) . "<br>";
echo "Showing Data special: " . htmlspecialchars($data) . "<br>";
$data = stristr(htmlspecialchars($data), htmlspecialchars($start));
echo "Showing Data stristr: " . $data . "<br>";
$data2 = stristr(htmlspecialchars($data), $start);
echo  "Showing Data2 stristr: " . $data2 . "<br>";
$data = substr(htmlspecialchars($data), strlen($start));
if($data===false){
    echo 'string not found';
}
else{
    echo  "Showing Data substr: " . $data . "<br>";
}

将提供以下输出：

Showing Start: 
Showing Data: 
Showing LEN Start: 7
Showing Data special: <title>this is a test </title>
Showing Data stristr: <title>this is a test </title>
Showing Data2 stristr: 
Showing Data substr: ;title&gt;this is a test &lt;/title&gt;

上面每一行的解释。

浏览器正在渲染标签
浏览器正在渲染标签
长度为 7
标签转换为 ascii 浏览器将显示这些含义但不呈现标签。
由于两个标签都被转义了，你可以找到整个字符串
因为只有数据被转义，所以不匹配一个是 ascii ，另一个有标题标签
您正在使用的是 &gt 从 7 开始从 0 开始计数；作为你的起点，然后把剩下的全部拿走

fyi 你的 if 永远不会是假的，除非你没有一个字符串或你没有索引的开始，即 70。

【讨论】：