從不正常形成的網頁中刪除數據

我試圖從網頁中取消數據。該網頁可以是任何頁面。例如我使用curl來騙取http://www.google.com/。它給了這麼多的警告，什麼都不做。警告是在線路30上：從不正常形成的網頁中刪除數據

警告：的SimpleXMLElement :: __構建體（）：在 C：\瓦帕\ WWW \ nbacurl \的index.php

和該錯誤重複幾次。

我聽說過simplehtmldom，我下載了它但不知道如何使用它。我有頁面解析，但我找不到出路。這是一個非常簡單的代碼，無法正常工作。

$ch = curl_init(); 
curl_setopt($ch, CURLOPT_URL, 'http://www.google.com'); 
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); 
$contents = curl_exec ($ch); 

$xml = new SimpleXMLElement($contents); 
echo '<pre>' , print_r($xml) , '</pre'>;

來源

2012-10-03 irshad.ahmad

您使用simplehtmldom艱難......無論如何，如果該類失敗我沒有看到（這不是最好的了）儘量[phpQuery（HTTP：/ /code.google.com/p/phpquery/） –

謝謝Damien，我正在嘗試使用'simplehtmldom'，但它並沒有爲我工作。所以我轉向了四條曲線和幾條xml曲線。 –

請幫我個忙，因爲我對phpQuery很陌生，究竟是幹什麼的？它像jQuery，其中的功能和調用內置函數？或者是別的什麼？謝謝 –

希望沒有人會投下來的是「風馬牛不相及」，但我已經使用mechanize刮網頁，發現它非常直觀和有效的。用小api很容易學習。

我剛剛看到你使用php而不是python。 Mechanize是一個python/perl庫，所以在這裏它可能不相關。

來源

2012-10-03 21:54:21 ajon

謝謝你的時間，並ia看着你提到的刮。我希望我可以找到它的解決方案，我正在尋找。 –

哎呀！我想它說蟒蛇。所以你可以使用一個混合選項，從php文件中執行python腳本。否則這個建議不會很有價值。 – ajon

是:) 我使用PHP，而不是Python ...但感謝給時間到後，深爲讚賞:) –

不要試圖用SimpleXMLElement解析它，也許可以給DOMDocument或其他更適合HTML解析試驗的解決方案。

來源

2012-10-03 21:56:22

謝謝麥克烏拉圭回合的時候，我會考慮DOM文檔，看看它是如何工作的。 –

也許試試ScriptableBrowser（對於PHP）。我個人使用Mechanize with BeautifulSoup在Python中。

來源

2012-10-03 22:02:38 taco

感謝您的時間，但我正在使用php :) –

ScriptableBrowser *是*在PHP中。 – taco

對不起，我覺得是錯誤的。我會研究它，並感謝分享:) –

使用DOMDocument和loadHTML或loadXML啓用恢復。前者可能是你真正想要的。

<?php 
$doc = new DOMDocument(); 
$doc->loadHTML($contents); 

... 
?>

參見：http://www.php.net/manual/en/class.domdocument.php#domdocument.props.recover

<?php 
$doc = new DOMDocument(); 
$doc->recover = TRUE; 
$doc->loadXML($contents); 

... 
?>

來源

2012-10-03 22:28:10 jimp

謝謝你的時間，我已經測試了你的解決方案，但仍然沒有成功，它期待';'。代碼是 $ content = file_get_contents（'http://www.google.com/'）; $ doc = new DOMDocument（）; $ doc-> recover = true; echo'

' , print_r($doc->loadHTML($content)) , '

'; 警告：DOMDocument :: loadHTML（）：htmlParseEntityRef：期待';'在實體中，行數：40（11次） –

使用您的捲髮代碼來獲取內容。這只是一個警告。你的DOM應該存在。通過DOMDocument-> saveXML（）獲取它。你不能使用print_r。 – jimp

它現在說「移動302」文檔已移到此處。點擊它後，它會重定向到網頁。我怎樣才能從它得到'HTML/XML' :(？ –

從不正常形成的網頁中刪除數據

回答

相關問題