Пустой атрибут в DOM возвращает неожиданное запасное значение

Я получил содержимое этой веб-страницы http://www.dw.com/ar/تقرير-استخباري-اميركي-القاعدة-تسيطر-على-غرب-العراق/a-2251369 и сохранил его в $webpage,

ПОЖАЛУЙСТА, ОБРАТИТЕ ВНИМАНИЕ:

На этой веб-странице есть ряд <meta> теги. Один из этих мета-тегов является виновником и вызывает некоторые проблемы. Этот метатег <meta property="og:description" content="" />, Обратите внимание, что значение content пустая строка

Я читаю содержание веб-страницы следующим образом:

<?php

$url = 'http://www.dw.com/ar/تقرير-استخباري-اميركي-القاعدة-تسيطر-على-غرب-العراق/a-2251369';

$webpage = file_get_contents($url);

$og_entry_title = "";
$og_entry_content = "";

$doc = new DOMDocument;
$doc->loadHTML($webpage);

$meta_tags = $doc->getElementsByTagName('meta');

foreach ($meta_tags as $meta_tag) {

if ($meta_tag->getAttribute('property') == 'og:title') {
$og_entry_title = $meta_tag->getAttribute('content');
}

if ($meta_tag->getAttribute('property') == 'og:description') {
$og_entry_content = $meta_tag->getAttribute('content');
}

}

// print the results
echo
'$og_entry_title: ' . $og_entry_title
.PHP_EOL.
'$og_entry_content: ' . $og_entry_content;

Когда я закончу, у меня есть следующие значения для $og_entry_title а также $og_entry_content:

$og_entry_title: TOP STORIES | DW.COM
$og_entry_content: News and analysis of the top international and European topics Current affairs and background information on poltics, business, science, culture, globalization and the environment.

Обратите внимание на следующее в результате:

$og_entry_title правильно и содержит заголовок страницы, поэтому здесь нет проблем

$og_entry_content дает другое значение, чем я ожидал. Я ожидаю, что пустая строка будет сохранена в $og_entry_content; Однако строка «Новости и аналитика ведущих международных и европейских тем. Актуальные вопросы и справочная информация о политике, бизнесе, науке, культуре, глобализации и окружающей среде». сохраняется Эта строка представляется запасным значением (или значением по умолчанию), которое возвращается всякий раз, когда метатег содержит пустую строку.

После дальнейшего расследования выяснилось, что go:description получает значение метатега из http://www.dw.com страница интернета. Похоже, это произошло потому, что моя веб-страница содержала пустую строку. Возвращаемое значение извлекается из корневой страницы сайта.

У меня есть следующие вопросы о $og_entry_content:

  1. Как мне убедиться, что пустая строка (не резервное значение) сохранена в $og_entry_content?

  2. Почему это значение возврата из корневой страницы все равно возвращается?

Благодарю.

2

Решение

Ваш веб-адрес содержит специальные символы, которые должны быть URL закодирован.


Прежде всего, предположение, что …

$og_entry_title правильно и содержит заголовок страницы, поэтому здесь нет проблем

…неправильно.

Это название:

<meta property="og:title" content="تقرير استخباري اميركي: القاعدة تسيطر على غرب العراق | أخبار | DW.COM | 28.11.2006" />

не совпадает с этим названием:

<meta property="og:title" content="TOP STORIES | DW.COM" />

Во-вторых, большинство современных браузеров достаточно хороши, чтобы кодировать URL-адреса на лету, и при этом по-прежнему отображать специальные символы в адресной строке.

Вы можете увидеть заголовки ответа с веб-сервера для получения дополнительной информации.

<?php
$url = 'http://www.dw.com/ar/تقرير-استخباري-اميركي-القاعدة-تسيطر-على-غرب-العراق/a-2251369';
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, "$url");
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_VERBOSE, 1);
curl_setopt($ch, CURLOPT_HEADER, 1);
$response = curl_exec($ch);

// Then, after your curl_exec call:
$header_size = curl_getinfo($ch, CURLINFO_HEADER_SIZE);
echo '
header
------
'.substr($response, 0, $header_size);

Результаты показывают, что он не распознает связь между URL и этой страницей:

header
------
HTTP/1.1 301 Moved Permanently
Server: Apache-Coyote/1.1
Location: /
Content-Length: 0
Accept-Ranges: bytes
X-Varnish: 99639238
Date: Thu, 16 Jun 2016 15:42:51 GMT
Connection: keep-alive

Код ответа HTTP 301 это уведомление (перманентно) перенаправить на другую страницу. Location: / указывает, что вы должны просто пойти в домашняя страница. Это обычная неаккуратная практика — просто отправлять кого-то на домашнюю страницу, когда он не знает, что с вами делать.

Curl не будет следовать перенаправлениям по умолчанию, именно так мы можем проверить заголовок ответа 301. Но file_get_contents будет следовать перенаправлениям, поэтому вы получаете контент, отличный от ожидаемого. (С возможными исключениями: есть сообщение об ошибке где некоторые замечают, что это не всегда следует за перенаправлениями.)

Обратите внимание, что домашняя страница делает иметь content в его og:description:

<?php
echo file_get_contents('http://www.dw.com/ar/تقرير-استخباري-اميركي-القاعدة-تسيطر-على-غرب-العراق/a-2251369');

Результаты в этом выводе:

<meta property="og:description" content="News and analysis of the top international and European topics Current affairs and background information on poltics, business, science, culture, globalization and the environment. " />

<meta property="og:title" content="TOP STORIES | DW.COM" />


Первое, что вам нужно сделать, это rawurlencode веб-адрес:

$url = rawurlencode($url);

Тогда осознай, что rawurlencode плохо назван, потому что действительный URL будет содержать протокол HTML http:// или же https:// и может также содержать косую черту для разделения частей. Это проблематично, потому что rawurlencode преобразует двоеточия : в %3A и косая черта / в %2F что делает для недопустимого URL, как http%3A%2F%2Fwww.dw.com%2Far%2F..., Это должно было быть названо rawurlencode_parts_of_URLНо они не спросили меня 🙂 И процитировал Фила Карлтона в их защиту:

В информатике есть только две сложные вещи: аннулирование кэша и называть вещи.

Поэтому преобразуйте косую черту и двоеточие в их первоначальную форму:

$url = str_replace('%3A',':',str_replace('%2F','/',$url));

Наконец, последнее, что вам нужно сделать, это отправьте заголовок своим клиентам, чтобы сообщить им, какую кодировку шрифта ожидать.

header("content-type: text/html; charset=utf-8");

В противном случае ваши клиенты могут читать некоторые абракадабра это может выглядеть примерно так:

ªÙ Ø ± Ø Ø ± ± ± ± ± § ³ ³ ³ ³ ³ · · · · ·:::::::: · · · · · · · · Ø · · · · · · §Ù «Ø¹Ø ± اÙ


<?php

// let's see error output on screen while in development
// remove these lines for production, and use log files only
error_reporting(-1);
ini_set('display_errors', 'On');

$url = 'http://www.dw.com/ar/تقرير-استخباري-اميركي-القاعدة-تسيطر-على-غرب-العراق/a-2251369';

// URL encode special chars
$url = rawurlencode($url);

// fix colons and slashses for valid URL
$url = str_replace('%3A',':',str_replace('%2F','/',$url));

// make request
$webpage = file_get_contents($url);

$og_entry_title = "";
$og_entry_content = "";

$doc = new DOMDocument;
$doc->loadHTML($webpage);

$meta_tags = $doc->getElementsByTagName('meta');

foreach ($meta_tags as $meta_tag) {

if ($meta_tag->getAttribute('property') == 'og:title') {
$og_entry_title = $meta_tag->getAttribute('content');
}

if ($meta_tag->getAttribute('property') == 'og:description') {
$og_entry_content = $meta_tag->getAttribute('content');
}

}

// set the character set for the client
header("content-type: text/html; charset=utf-8");

// print the results
echo
'$og_entry_title: ' . $og_entry_title
.PHP_EOL.
'$og_entry_content: ' . $og_entry_content;

Результаты в этом выводе:

$og_entry_title: تقرير استخباري اميركي: القاعدة تسيطر على غرب العراق | أخبار | DW.COM | 28.11.2006
$og_entry_content:

Если вы смотрите на свой журналы ошибок, и ты действительно должен всегда просматривая журналы ошибок при разработке, вы заметите множество предупреждений:

Warning: DOMDocument::loadHTML(): htmlParseStartTag: misplaced <html> tag in Entity, line: 4 in ...

Warning: DOMDocument::loadHTML(): htmlParseStartTag: misplaced <html> tag in Entity, line: 5 in ...

Warning: DOMDocument::loadHTML(): htmlParseStartTag: misplaced <html> tag in Entity, line: 6 in ...

Warning: DOMDocument::loadHTML(): htmlParseStartTag: misplaced <html> tag in Entity, line: 7 in ...

Warning: DOMDocument::loadHTML(): ID topMetaInner already defined in Entity, line: 300 in ...

Warning: DOMDocument::loadHTML(): ID langSelectTrigger already defined in Entity, line: 315 in ...

Warning: DOMDocument::loadHTML(): htmlParseEntityRef: no name in Entity, line: 546 in ...

Warning: DOMDocument::loadHTML(): htmlParseEntityRef: no name in Entity, line: 546 in ...

Warning: DOMDocument::loadHTML(): htmlParseEntityRef: no name in Entity, line: 548 in ...

Warning: DOMDocument::loadHTML(): htmlParseEntityRef: no name in Entity, line: 548 in ...

Это потому, что вы пытаетесь использовать класс DOMDocument с недействительный HTML и не правильно сформированные документы XML. Но это тема для другого вопроса.

1

Другие решения

Других решений пока нет …

По вопросам рекламы [email protected]