0

Web サイト内から html コンテンツを抽出しようとしています。タグ内のコンテンツのみが必要です。

    //$validLink is a link with .htm extension, source code is rather large 
    //contains 24,000 lines of html code

    $thehtml = file_get_contents($validlink);
    $thehtml = preg_match("/<body.*?>(.*?)<\/body>/is", $thehtml);

他に何ができますか？$thehtml は空です....これをワードプレスの投稿に挿入しようとしています...しかし、$thehtml は空です....何らかの奇妙な理由で。タイムアウトの問題などの可能性はありますか???

file_get_contents($validlink); だけを出力すると、タイムアウトの問題が発生することはありません..... なぜかBODYが見つからない……。

別の可能な解決策は、ドキュメントで見つかった最初の div と最後の div の間のコンテンツを取得することです....

4

3 に答える 3

0 
$thehtml = file_get_contents($validlink);
$thehtml = preg_match("/<body.*?>(.*?)<\/body>/is", $thehtml,$matches);
$thehtml = $matches[0];
于 2013-04-23T05:47:15.510 に答える
0

タグの開始と終了の両方の「strpos()」を使用して文字列の位置を取得し、この位置でサブ文字列メソッド、つまり substr() を使用します

于 2013-04-23T05:26:20.083 に答える
0

正しいコードは次のとおりです。

$thehtml = file_get_contents($validlink);
preg_match('/<body.*?>(.*?)<\/body>/is', $thehtml, $matches);
$thehtml = $matches[1];

ただし、代わりにDOM パーサーを使用することをお勧めします。

于 2013-04-23T05:53:31.870 に答える