这是一个创建于 3883 天前的主题，其中的信息可能已经有所发展或是发生改变。
StackOverflow上找了一大圈,这个似乎是最靠谱的,但有点不符国情
function getPageTitle($url){
$doc = new DOMDocument();
@$doc->loadHTMLFile($url);
$xpath = new DOMXPath($doc);
return $xpath->query('//title')->item(0)->nodeValue;
}
大部分网站的title都可以抓到
有一部分会乱码,比如淘宝(因为charset是gbk的缘故?),除了英文字符外汉字全是乱码
有什么解决办法吗?
function getPageTitle($url){
$doc = new DOMDocument();
@$doc->loadHTMLFile($url);
$xpath = new DOMXPath($doc);
return $xpath->query('//title')->item(0)->nodeValue;
}
大部分网站的title都可以抓到
有一部分会乱码,比如淘宝(因为charset是gbk的缘故?),除了英文字符外汉字全是乱码
有什么解决办法吗?
 |
1
tension 2014-05-07 09:47:54 +08:00
转码！
|
 |
2
catfan 2014-05-07 10:27:15 +08:00
mb_convert_encoding($title, 'UTF-8')
|
 |
3
Actrace 2014-05-07 11:24:13 +08:00
mb_convert_encoding实际上不是一个比较好的方案。
|
 |
4
alex321 2014-05-07 11:48:50 +08:00
检测一下编码，然后尝试对应转换，不要直接用 mb_convert_encoding。
|
 |
5
kamal 2014-05-07 12:44:50 +08:00
检测网页内容编码，然后转码，不要只检测head声明的编码。
有可能head声明编码与内容实际编码不一致。 |
 |
6
shiny 2014-05-07 12:47:37 +08:00  1
应该尽量模拟浏览器的识别：
1、识别 header 中的 content_type 附带的 charset 设置 2、如果没有，识别 meta 中的编码声明 3、html 里的 head 后面增加一个编码的声明，方便 DOMDocument 识别。 通过这些操作后，title 乱码的情况基本消灭。 代码在这里 https://github.com/shiny/PandaOpenNode/blob/master/upload/title.php |
|
8
shiny 2014-05-07 13:58:15 +08:00
@gangsta 试了下是可以抓的，你可以在 http://baidu.pandaidea.com/ 测试标题有没有正常抓取到，代码就是 github 上的。
|
|
10
shiny 2014-05-07 14:18:17 +08:00
@gangsta 没被墙吧。
这样，我做了个最小化的例子 你说的店铺首页应该就是一个店的首页吧？ http://monitor.shiguanglu.com/demo/?url=http%3A%2F%2Fhztyhy.taobao.com |
Select Language