Question

我正在使用这个simple_html_dom解析器来尝试解析外部URL。我能够在大多数页面上正确使用它。

然而，当我尝试解析网站时 http://talksport.com/football/atletico-madrid-beat-arsenal-and-west-ham-signing-portuguese-wonderkid-diogo-jota

解析器无法识别＆lt; body＆gt;在HTML中标记。

require 'simple_html_dom.php';

$html = file_get_html('http://talksport.com/football/atletico-madrid-beat-arsenal-and-west-ham-signing-portuguese-wonderkid-diogo-jota');

// Find any tag for eg. <div>
$tag = $html->find('div',0);
var_dump($tag);

结果我得到null。

我试图弄清楚为什么会发生这种情况并发现

$x = $html->find('html',0)->children();

$ x只有一个孩子，它是＆lt; head＆gt;标签。＆lt; body＆gt;标签根本没有被解析。

之前有人遇到过这样的问题吗？请帮忙。

Answer 1

该网站的HTML存在许多问题。请参阅W3 HTML validation report：

错误 看到了结束标记div，但有打开的元素。
从第134栏第47栏;到第134行，第52栏
n Live</p></div>?             <
错误 ：未关闭的元素a。
从第133行第5栏;到第133行，第90栏
</h2>?                <a href="/live" class="listenLiveButtonTrigger" onclick="listenLive(1);return false;">?                 

......等等。

提到重复的 id 值，杂散结束标记，无效属性，使用子样式标记，......以及更多问题。

我认为Simple HTML DOM解析器在所有混乱中都会丢失。

Answer 2

我建议您使用DOMDocument类和cURL，如下所示：

$url = "http://talksport.com/football/atletico-madrid-beat-arsenal-and-west-ham-signing-portuguese-wonderkid-diogo-jota";

$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
$curlReturn = curl_exec($ch);

$html = new DOMDocument();
$html->loadHTML($curlReturn);
$body = $html->getElementsByTagName("body");

curl_close($ch);

它比简单的解析器更强大。 http://php.net/manual/en/class.domdocument.php http://php.net/manual/en/book.curl.php

简单的HTML DOM解析器无法解析标记

2 个答案: