PHP Simple HTML DOM Parser 返回乱码答案

【问题标题】：PHP Simple HTML DOM Parser returns gibberishPHP Simple HTML DOM Parser 返回乱码
【发布时间】：2020-12-25 19:03:27
【问题描述】：

$html = file_get_html('http://www.livelifedrive.com/');  
echo $html->plaintext;

我可以抓取其他网站，但这个特定的网站返回乱码。
是加密的还是什么的？

【问题讨论】：

您可能会发现这个问题很有用：stackoverflow.com/q/2914723/363573

标签： php simpledom

【解决方案1】：

其实你看到的乱码是GZIPed内容。

例如，当我使用hurl.it 获取内容时，以下是服务器返回的标头：

GET http://www.livelifedrive.com/malaysia/（网址 http://www.livelifedrive.com/ 解析为 http://www.livelifedrive.com/malaysia/）连接：保持活动 Content-Encoding: gzip

因此，一旦您抓取了内容，请将其解压缩。这是一个示例代码：

if ( ! function_exists('gzdecode'))
{
    /**
     * Decode gz coded data
     * 
     * http://php.net/manual/en/function.gzdecode.php
     * 
     * Alternative: http://digitalpbk.com/php/file_get_contents-garbled-gzip-encoding-website-scraping
     * 
     * @param string $data gzencoded data
     * @return string inflated data
     */
    function gzdecode($data) 
    {
        // strip header and footer and inflate

        return gzinflate(substr($data, 10, -8));
    }
}

参考资料：

【讨论】：

效果很好！非常感谢。

【解决方案2】：

没有什么真的像网站加密，如果内容可以到达您的浏览器并且是 HTML，它可以被抓取。

这可能是因为该网站使用了大量的 Javascript 和 Flash 无法被 HTML 解析器抓取。甚至 Google 本身也刚刚开始涉足 Flash 和 Javascript 的准确抓取。

要在浏览器的荣耀中抓取网站，请尝试 Selenium。

链接：

              https://code.google.com/p/php-webdriver-bindings/

              https://groups.google.com/forum/#!topic/selenium-users/Rj6BYEkz9Q0

了解您可以使用 HTML 抓取工具抓取哪些内容的巧妙提示，请尝试在您的浏览器上禁用 Javascript 和 Flash 并加载网站。您可以查看的内容很容易可抓取 - 其余的您必须在方法上更加聪明。

【讨论】：

【解决方案3】：

也许他们服务器上的文件没有保存为 UTF-8？我已经在几个站点上尝试了您的功能，有时它可以工作（在服务器上，我知道他们将文件保存为 UTF-8，而不仅仅是说明这些文件是用 UTF-8 编码的），有时它会产生乱码。

尝试在本地机器上自行测试，解析保存为 UTF-8 和其他编码的文件，看看会发生什么...

【讨论】：

我将 html 保存在本地机器上。把它放在本地网络服务器上。按预期进行刮削工作。很奇怪。

【解决方案4】：

$html->plaintext;

这只会给你文本，但如果你需要获取 html，那么你需要使用

$html->innertext;

更多信息可以参考http://simplehtmldom.sourceforge.net/manual.htm

【讨论】：