从 cURL 请求正确格式化 HTML答案

【问题标题】：Formatting HTML correctly from cURL requests从 cURL 请求正确格式化 HTML
【发布时间】：2012-05-02 04:10:46
【问题描述】：

我正在开发一个小程序，它允许用户输入新闻文章或其他网页（日语）的 URL，并在我的页面的 iFrame 中查看该页面的内容。这个想法是，一旦将内容加载到页面中，用户可以使用光标突出显示单词，光标将选定的文本存储在一个数组中（用于翻译/添加到个人术语词典），并将文本包围在一个红色框中(div) 根据我的域上定义的样式表。为此，我使用 cURL 检索外部页面的 HTML 并将其转储到 iFrame 的源中。

但是，我在检索到的 HTML 中不断遇到主要的格式问题。最大的问题是保留样式表，为了解决这个问题，我使用 DOMDocument 将标签添加到检索到的 HTML 部分。这适用于一些页面/URL，但对于许多其他的输出 HTML，仍然存在许多样式问题。例如，div 层相互碰撞，对齐关闭，背景丢失。这会带来更多问题，因为我需要将输出 HTML 嵌入到新的 HTML 中，以使用于在嵌入内容中传递文本选择的 onClick javascript 函数工作，这意味着生成的源代码最终看起来像这样：

<div onclick="parent.selectionFunction()" id ="studyContentn">

<!-- HTML of output from cURL, including doctype declarations and <html>,<head> tags -->

</div>

在大多数情况下，我一直遇到的很多格式问题似乎都是随意的。我尝试过使用 php Tidy 来清理 HTML 的输出，但这也只适用于某些页面，但对其他页面无效。我有点怀疑它可能与使用 DOMDocument 时奇怪地解析的 CDATA 声明有关，但我不确定。

有没有一种方法可以保证 cURL 的 HTML 输出在所有情况下都能正确且忠实地呈现？还是有更好的方法来做到这一点？我尝试了很多不同的方法来解决这个问题，每种方法都更接近解决方案，但也带来了自己的新问题。

谢谢——如果我能澄清任何事情，请告诉我。

【问题讨论】：

标签： php html curl

【解决方案1】：

如果我理解正确，您正在尝试提取完整网页的 html 并将其显示在您的域下，在您的 html 中。这总是很棘手，很多 java 脚本会中断，相对 url 会出错，正如你提到的，样式也是如此。您可能还会更改页面显示的尺寸。这些都可以解决，但您将与每个新网站进行一场艰苦的战斗，或者如果当前网站更改设计

我可能会采取不同的方法来解决这个问题。您可能想编写一个浏览器插件作为外部网站的接口。然后您的小程序可以位于功能和测试（希望）站点的顶部。然后，您可以专注于您需要为您的小程序做的事情，而不是无休止的繁琐 html 问题列表。

【讨论】：

【解决方案2】：

我正在尝试做类似的事情。保存格式非常困难，网页中的JS脚本使事情变得复杂。我终于放弃了完全显示原始格式的想法，而是使用了一种解决方法：

只选择您感兴趣的标题、链接、列表、段落。
将您自己网站的域路径添加到链接中。
您可以用自己的类包装标题、链接等项目。
显示它在您的情况下，您想选择文本并存储它，这是另一个主题。我所做的就是在两个层次上解析HTMl，然后很容易进行选择。请记住，IE 和 Firefox/Chrome 需要分开处理。

【讨论】：