zoukankan      html  css  js  c++  java
  • 如何抓取开了gzip的网页

    有时候用 file_get_contents() 函数抓取网页会发生乱码现象。有两个原因会导致乱码,一个是编码问题,一个是目标页面开了Gzip。

    编码问题好办,把抓取到的内容转下编码即可($content=iconv("GBK", "UTF-8//IGNORE", $content);),我们这里讨论的是如何抓取开了Gzip的页面。怎么判断呢?获取的头部当中有Content-Encoding: gzip说明内容是GZIP压缩的。用FireBug看一下就知道页面开了gzip没有。下面是用firebug查看我的博客的头信息,Gzip是开了的。

    1 请求头信息原始头信息
    2 Accept  text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
    3 Accept-Encoding gzip, deflate
    4 Accept-Language zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3
    5 Connection  keep-alive
    6 Cookie  __utma=225240837.787252530.1317310581.1335406161.1335411401.1537; __utmz=225240837.1326850415.887.3.utmcsr=google|utmccn=(organic)|utmcmd=organic|utmctr=%E4%BB%BB%E4%BD%95%E9%A1%B9%E7%9B%AE%E9%83%BD%E4%B8%8D%E4%BC%9A%E9%82%A3%E4%B9%88%E7%AE%80%E5%8D%95%20site%3Awww.nowamagic.net; PHPSESSID=888mj4425p8s0m7s0frre3ovc7; __utmc=225240837; __utmb=225240837.1.10.1335411401
    7 Host    www.nowamagic.net
    8 User-Agent  Mozilla/5.0 (Windows NT 5.1; rv:12.0) Gecko/20100101 Firefox/12.0

    下面介绍一些解决方案:

    1. 使用自带的zlib库

    如果服务器已经装了zlib库,用下面的代码可以轻易解决乱码问题。

    1 $data = file_get_contents("compress.zlib://".$url);

    2. 使用CURL代替file_get_contents

    1 function curl_get($url, $gzip=false){
    2     $curl = curl_init($url);
    3     curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1);
    4     curl_setopt($curl, CURLOPT_CONNECTTIMEOUT, 10);
    5     if($gzip) curl_setopt($curl, CURLOPT_ENCODING, "gzip"); // 关键在这里
    6     $content = curl_exec($curl);
    7     curl_close($curl);
    8     return $content;
    9 }

    3. 使用gzip解压函数

    001 function gzdecode($data) {
    002   $len = strlen($data);
    003   if ($len < 18 || strcmp(substr($data,0,2),"x1fx8b")) {
    004     return null;  // Not GZIP format (See RFC 1952)
    005   }
    006   $method = ord(substr($data,2,1));  // Compression method
    007   $flags  = ord(substr($data,3,1));  // Flags
    008   if ($flags & 31 != $flags) {
    009     // Reserved bits are set -- NOT ALLOWED by RFC 1952
    010     return null;
    011   }
    012   // NOTE: $mtime may be negative (PHP integer limitations)
    013   $mtime = unpack("V", substr($data,4,4));
    014   $mtime = $mtime[1];
    015   $xfl   = substr($data,8,1);
    016   $os    = substr($data,8,1);
    017   $headerlen = 10;
    018   $extralen  = 0;
    019   $extra     = "";
    020   if ($flags & 4) {
    021     // 2-byte length prefixed EXTRA data in header
    022     if ($len - $headerlen - 2 < 8) {
    023       return false;    // Invalid format
    024     }
    025     $extralen = unpack("v",substr($data,8,2));
    026     $extralen = $extralen[1];
    027     if ($len - $headerlen - 2 - $extralen < 8) {
    028       return false;    // Invalid format
    029     }
    030     $extra = substr($data,10,$extralen);
    031     $headerlen += 2 + $extralen;
    032   }
    033  
    034   $filenamelen = 0;
    035   $filename = "";
    036   if ($flags & 8) {
    037     // C-style string file NAME data in header
    038     if ($len - $headerlen - 1 < 8) {
    039       return false;    // Invalid format
    040     }
    041     $filenamelen = strpos(substr($data,8+$extralen),chr(0));
    042     if ($filenamelen === false || $len - $headerlen - $filenamelen - 1 < 8) {
    043       return false;    // Invalid format
    044     }
    045     $filename = substr($data,$headerlen,$filenamelen);
    046     $headerlen += $filenamelen + 1;
    047   }
    048  
    049   $commentlen = 0;
    050   $comment = "";
    051   if ($flags & 16) {
    052     // C-style string COMMENT data in header
    053     if ($len - $headerlen - 1 < 8) {
    054       return false;    // Invalid format
    055     }
    056     $commentlen = strpos(substr($data,8+$extralen+$filenamelen),chr(0));
    057     if ($commentlen === false || $len - $headerlen - $commentlen - 1 < 8) {
    058       return false;    // Invalid header format
    059     }
    060     $comment = substr($data,$headerlen,$commentlen);
    061     $headerlen += $commentlen + 1;
    062   }
    063  
    064   $headercrc = "";
    065   if ($flags & 1) {
    066     // 2-bytes (lowest order) of CRC32 on header present
    067     if ($len - $headerlen - 2 < 8) {
    068       return false;    // Invalid format
    069     }
    070     $calccrc = crc32(substr($data,0,$headerlen)) & 0xffff;
    071     $headercrc = unpack("v", substr($data,$headerlen,2));
    072     $headercrc = $headercrc[1];
    073     if ($headercrc != $calccrc) {
    074       return false;    // Bad header CRC
    075     }
    076     $headerlen += 2;
    077   }
    078  
    079   // GZIP FOOTER - These be negative due to PHP's limitations
    080   $datacrc = unpack("V",substr($data,-8,4));
    081   $datacrc = $datacrc[1];
    082   $isize = unpack("V",substr($data,-4));
    083   $isize = $isize[1];
    084  
    085   // Perform the decompression:
    086   $bodylen = $len-$headerlen-8;
    087   if ($bodylen < 1) {
    088     // This should never happen - IMPLEMENTATION BUG!
    089     return null;
    090   }
    091   $body = substr($data,$headerlen,$bodylen);
    092   $data = "";
    093   if ($bodylen > 0) {
    094     switch ($method) {
    095       case 8:
    096         // Currently the only supported compression method:
    097         $data = gzinflate($body);
    098         break;
    099       default:
    100         // Unknown compression method
    101         return false;
    102     }
    103   } else {
    104     // I'm not sure if zero-byte body content is allowed.
    105     // Allow it for now...  Do nothing...
    106   }
    107  
    108   // Verifiy decompressed size and CRC32:
    109   // NOTE: This may fail with large data sizes depending on how
    110   //       PHP's integer limitations affect strlen() since $isize
    111   //       may be negative for large sizes.
    112   if ($isize != strlen($data) || crc32($data) != $datacrc) {
    113     // Bad format!  Length or CRC doesn't match!
    114     return false;
    115   }
    116   return $data;
    117 }

    使用:

    1 $html=file_get_contents('http://www.nowamagic.net/librarys/veda/');
    2 $html=gzdecode($html);

    就介绍这三个方法,应该能解决大部分gzip引起的抓取乱码问题了。

  • 相关阅读:
    1、SASS / SCSS 总结简介
    Chrome 中的 JavaScript 断点设置和调试技巧
    《Javascript 设计模式》-读书笔记
    CSS基线之道
    高性能 CSS3 动画
    《编写高质量代码》web前端开发修炼之道-读书笔记
    《Effective JavaScript》编写高质量的Javascript代码的68个有效方法-读书笔记
    Sea.js-模块化开发框架
    JSLine和JSHint代码质量检查工具和uglifyjs压缩JS的
    在Windows平台上安装Node.js及NPM模块管理
  • 原文地址:https://www.cnblogs.com/xiaoyang002/p/4020133.html
Copyright © 2011-2022 走看看