Question

$url = 'http://www.w3schools.com/js/js_loop_for.asp';
$html = @file_get_contents($url);

$doc = new DOMDocument();
@$doc->loadHTML($html);
$xml = @simplexml_import_dom($doc);
$images = $xml->xpath('//img');

var_dump($images);
die();

输出是：

array(0) { }

但是，在页面源代码中我看到了：

<img border="0" width="336" height="69" src="/images/w3schoolslogo.gif" alt="W3Schools.com" style="margin-top:5px;" />

修改：$html的内容显示在此页面的<body>标记处。知道为什么吗？

Answer 1

看来$ html的内容在此页面的标签处停止。知道为什么吗？

是的，您必须为此页面提供有效的用户代理。

$url = 'http://www.w3schools.com/js/js_loop_for.asp';
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_USERAGENT, "MozillaXYZ/1.0");
curl_exec($ch);

将所有内容输出到结尾</html>，包括您请求的<img border="0" width="336" height="69" src="/images/w3schoolslogo.gif" alt="W3Schools.com" style="margin-top:5px;" />

如果没有用户代理的简单wget或curl仅返回<body>标记。

$url = 'http://www.w3schools.com/js/js_loop_for.asp';
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_USERAGENT, "MozillaXYZ/1.0");
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
$html = curl_exec($ch);

$doc = new DOMDocument();
$doc->loadHTML($html);
$xml = simplexml_import_dom($doc);
$images = $xml->xpath('//img');

var_dump($images);
die();

编辑： 我的第一篇文章表示xpath仍然存在问题......我只是没有尽职尽责，上面的更新代码效果很好。我忘了强制curl输出到字符串而不是打印到屏幕上（默认情况下）。

Answer 2

为什么要将simplexml加入混合？您已经将w3fools中的HTML加载到DOM类中，该类已经包含了一个非常好的XPath查询引擎。

[...snip...]
$doc->loadHTML($html);
$xpath = new DOMXPath($doc)
$images = $xpath->xpath('//img');
[...snip...]

Answer 3

IMG标记由javascript生成。如果您通过wget下载了此页面，您会发现HTML中没有IMG标记。

更新＃1

我认为这是因为用户代理字符串。如果我提供“Mozilla / 5.0（X11; Linux i686 on x86_64; rv：2.0）Gecko / 20100101 Firefox / 4.0”作为用户代理ID，我将整个页面提供。

我为什么不在这里找回任何图片？

3 个答案:

更新＃1