Question

我一直在使用CURL来抓取网站一段时间以及简单的HTML DOM。我经历过CURL对于抓取网站要好得多。但是我真的很喜欢Simple HTML DOM的简单性。所以我想为什么不把两者结合起来，我试过了：

require_once('simple_html_dom.php');

    $url = 'http://news.yahoo.com/';

    $ch = curl_init($url);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
    $curl_scraped_page = curl_exec($ch);

    $html = new simple_html_dom();
    $html->load($curl_scraped_page);


    foreach($html->find('head') as $d) {
        $d->innertext = "<base href='$url'>" . $d->innertext;
    }

    echo $html->save();

我尽我所能，但它不起作用。我还能尝试什么？

Answer 1

尝试更改此内容：

$html->load($curl_scraped_page);

对此：

$html->load($curl_scraped_page, true, false);

问题是simple_html_dom默认删除所有\ r \ n，在这种情况下它会破坏javascript代码，因为雅虎不会以分号结束它。

您可以在浏览器控制台上看到此错误，您还可以看到simple_html_dom删除查看来源的换行符。

Answer 2

我想我会在课堂上添加一个功能

function loadWithoutRemovingStuff($str, $lowercase=true, $stripRN=true, $defaultBRText=DEFAULT_BR_TEXT, $defaultSpanText=DEFAULT_SPAN_TEXT)
{
    $this->prepare($str, $lowercase, $stripRN, $defaultBRText, $defaultSpanText);

    while ($this->parse());

    $this->root->_[HDOM_INFO_END] = $this->cursor;
    $this->parse_charset();

    return $this;
}

然后调用该函数而不是默认的load函数。

或者，因为这个课程中的所有内容都是公开的，

 $html = new simple_html_dom();
 $html->prepare($str, $lowercase, $stripRN, $defaultBRText, $defaultSpanText);

 while ($html->parse());
 $html->root->_[HDOM_INFO_END] = $html->cursor;
 $html->parse_charset();

但第一种方式更好（更清洁）

结合CURL和简单的html dom

2 个答案: