Question

尝试进行网页抓取，但无法理解php如何分析html标记。我目前不在我的网络服务器上，所以我在线测试代码。在http://phptester.net/，我的代码是：

<?php
$start = "<title>";
$end = "</title>";
$data = "<title>this is a test </title>";
echo $start . " " . $end . " " . "<br>";
echo $data . "<br>";
echo strlen($start) . "<br>";
echo htmlspecialchars($data) . "<br>";
$data = stristr(htmlspecialchars($data), htmlspecialchars($start));
$data = substr(htmlspecialchars($data), strlen($start));

if($data===false){
    echo 'string not found';
}
else{
    echo $data;
}

现在有一些样本输入和输出。

Input  
  $start="<title>"
  $end="</title>"
Output
  (blank line)
  (blank line)
  7
  <title>this is a test </title>
  ;title&gt;this is a test &lt;/title&gt;

Input
  $start=&lt;title&gt;
  $end=&lt;/title&gt;
Output
  <title> </title> 
  (blank line)
  13
  <title>this is a test </title>
  string not found

更改

$data = stristr(htmlspecialchars($data), htmlspecialchars($start));

到

$data = stristr(htmlspecialchars($data), $start);

并重新测试。

Input  
  $start="<title>"
  $end="</title>"
Output
  (blank line)
  (blank line)
  7
  <title>this is a test </title>
  string not found

Input  
  $start="&lt;title&gt;"
  $end="&lt;/title&gt;"
Output
  <title> </title> 
  (blank line)
  13
  <title>this is a test </title>
  &gt;this is a test &lt;/title&gt;

我期待最后一个工作。我认为它将在一个实际的Web服务器上，因为看起来这个在线php测试器在字符串的开头插入了额外的4个字符，这使得最后四个字符被删除。

我接下来尝试了http://sandbox.onlinephpfunctions.com/，没有任何htmlspecialchar函数的原始字符串完全符合我的预期。我在两个版本中都使用了相同的版本。现在我很困惑。

对不起，很长的帖子。如果有人可以向我解释php如何解析HTML标签，我会非常感激。谢谢。

Answer 1

这不是PHP解析因此导致的混乱。你只是看着字符串操作。

因此，为我主机上的输出提供更多上下文代码

$start = "<title>";
$end = "</title>";
$data = "<title>this is a test </title>";
echo "Showing Start: " . $start . " " . $end . " " . "<br>";
echo "Showing Data: " . $data . "<br>";
echo "Showing LEN Start: " . strlen($start) . "<br>";
echo "Showing Data special: " . htmlspecialchars($data) . "<br>";
$data = stristr(htmlspecialchars($data), htmlspecialchars($start));
echo "Showing Data stristr: " . $data . "<br>";
$data2 = stristr(htmlspecialchars($data), $start);
echo  "Showing Data2 stristr: " . $data2 . "<br>";
$data = substr(htmlspecialchars($data), strlen($start));
if($data===false){
    echo 'string not found';
}
else{
    echo  "Showing Data substr: " . $data . "<br>";
}

将提供以下输出：

Showing Start: 
Showing Data: 
Showing LEN Start: 7
Showing Data special: <title>this is a test </title>
Showing Data stristr: <title>this is a test </title>
Showing Data2 stristr: 
Showing Data substr: ;title&gt;this is a test &lt;/title&gt;

上述每一行的说明。

标记由浏览器呈现
标记由浏览器呈现
长度为7
标签转为ascii＆lt;和＆gt;浏览器将显示这些含义，但不会呈现标记。
由于两个标签都已转义，因此您可以找到整个字符串
由于只有数据被转义，所以没有匹配的是ascii＆lt;和＆gt;另一个有标题标签
你正在使用的是＆amp; amp; amp计数从7开始从0开始计算;作为你的开始，然后采取所有剩余的

fyi你的if永远不会是假的，除非你没有字符串或你没有索引的起点，即70.

Answer 2

你的代码显然有错误。您正在使用多个$data操作重写=变量。相反，使用这样的东西：

.........
$data = "<title>this is a test </title>";
.........
$data1 = stristr(htmlspecialchars($data), htmlspecialchars($start));
$data2 = substr(htmlspecialchars($data), strlen($start));
.........
if (!$data1 && !$data2){
    echo 'not found';
}
......

PHP和HTML标签

2 个答案: