simple_html_dom 不适用于某些网站

Question

simple_html_dom 不适用于某些网站并返回未知代码：

$html = file_get_html('http://www.tsetmc.com/loader.aspx?ParTree=151311&i=49776615757150035');
echo $html;

结果如下：

�D�}R��][��ƕ~OU�̇p�����" gK�e[�8+[���)� B3t8䘄F�8�Z[7�ʿ�/rT�'����K~i��/�s��0��h��>���ڷ�7�����8��������(l��Eq������;��V������u�tƝ[ݨ���{qԋ[�kW[Q� j��ĝ���n\�{�ʅ��p�=�����#���??�����I�����s�޾�ۏ;������?<���$xݓV��vo��AxQ|-��6'7oƧ��R|�s�ۀ��ޝn��ӟ�����ǭ^t����߼��|O4�76/�?��Qo���ս��5�at¶�p���� ����-n5�9o6u����Ŀv�Q�v

我可以做些什么来解决这个问题？

Answer 1

这里的根本问题（至少在我的计算机上，可能与您的版本不同......）是该站点返回 gzip 压缩的数据，并且在传递给 dom 解析器之前它没有被 php 和 curl 正确解压缩。如果你使用的是 php 5.4，你可以使用 gzdecode 和 file_get_contents 自己解压。

在较旧的 php 版本上，此代码可以工作：

<?php
    // download the site
    $data = file_get_contents("http://www.tsetmc.com/loader.aspx?ParTree=151311&i=49776615757150035");
    // decompress it (a bit hacky to strip off the gzip header)
    $data = gzinflate(substr($data, 10, -8));
    include("simple_html_dom.php");
    // parse and use
    $html = str_get_html($data);
    echo $html->root->innertext();

请注意，此 hack 不适用于大多数网站。在我看来，这背后的主要原因似乎是 curl 没有宣布它接受 gzip 数据......但是该域上的 Web 服务器不关注该标头，并且无论如何都会对其进行 gzip 压缩。然后 curl 和 php 都不会真正检查响应中的 Content-Encoding 标头，并假定它没有被 gzip 压缩，因此它通过它而不会出错，也不会调用 gunzip。服务端和客户端的bug都在这里！

对于更健壮的解决方案，也许您可​​以使用 curl 获取标头并自己检查它们以确定是否需要对其进行解压缩。或者，您可以在此站点上使用此 hack，并为其他人使用常规方法以使事情变得简单。

在您的输出中设置字符编码也可能会有所帮助。在回显任何内容之前添加此内容，以确保您读取的数据不会因为被读取为错误的字符集而在用户浏览器中被重新损坏：

header('Content-Type: text/html; charset=utf-8');