Question

我正在使用simple-html-dom来刮掉指定网站的标题。

<?php

include('simple_html_dom.php');

$html = file_get_html('http://www.pottermore.com/');

foreach($html->find('title') as $element) 
       echo $element->innertext . '<br>';

?>

我尝试过的任何其他网站都有效，例如apple.com。

但是如果我输入pottermore.com，它就不会输出任何内容。 Pottermore上有flash元素，但主屏幕上我试图刮掉标题没有闪光灯，只是html。

Answer 1

这对我有用：）

$url = 'http://www.pottermore.com/';
$html = get_html($url);
file_put_contents('page.htm',$html);//just to test what you have downloaded
echo 'The title from: '.$url.' is: '.get_snip($html, '<title>','</title>');

function get_html($url)
{
    $ch = curl_init();
    $header[0] = "Accept: text/xml,application/xml,application/xhtml+xml,";
    $header[0] .= "text/html;q=0.9,text/plain;q=0.8,image/png,*/*;q=0.5";
    $header[] = "Cache-Control: max-age=0";
    $header[] = "Connection: keep-alive";
    $header[] = "Keep-Alive: 300";
    $header[] = "Accept-Charset: ISO-8859-1,utf-8;q=0.7,*;q=0.7";
    $header[] = "Accept-Language: en-us,en;q=0.5";
    $header[] = "Pragma: "; //browsers keep this blank.  
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows;U;Windows NT 5.0;en-US;rv:1.4) Gecko/20030624 Netscape/7.1 (ax)');
    curl_setopt($ch, CURLOPT_ENCODING, 'gzip,deflate');
    curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, 20);
    curl_setopt($ch, CURLOPT_AUTOREFERER, true);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
    curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);
    curl_setopt($ch, CURLOPT_COOKIEFILE, COOKIE);
    curl_setopt($ch, CURLOPT_COOKIEJAR, COOKIE); 
    $result = curl_exec ($ch);
    curl_close ($ch);
    return($result);
}

function get_snip($string,$start,$end,$trim_start='1',$trim_end='1')
{
    $startpos = strpos($string,$start);
    $endpos = strpos($string,$end,$startpos);

    if($trim_start!='')
    {
        $startpos += strlen($start);
    }
    if($trim_end=='')
    {
        $endpos += strlen($end);
    }
    return(substr($string,$startpos,($endpos-$startpos)));
}

Answer 2

只是为了确认别人在说什么，如果你没有发送用户代理字符串，那么这个网站发送403 Forbidden。

添加这个对我有用：

User-Agent：Mozilla / 5.0（Windows; U; Windows NT 5.0; en-US; rv：1.4）Gecko / 20030624 Netscape / 7.1（ax）

Answer 3

功能file_get_html使用了file_get_contents。此函数可以从URL中提取数据，但为此，它会发送用户代理字符串。

默认情况下，此字符串为空。一些Web服务器使用此事实来检测非浏览器正在访问其数据并选择禁止此操作。

您可以在php.ini中设置user_agent来控制发送的用户代理字符串。或者，您可以尝试：

ini_set('user_agent','UA-String');

将'UA-String'设置为您喜欢的任何内容。

为什么我不能从这个网站上删除标题？

3 个答案: