时时商务社区

标题: php file_get_contents抓取Gzip网页乱码的三种解决方法 [打印本页]

作者: 新格网络 时间: 2018-2-14 06:02

         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。
[U]复制代码[/U] 代码如下:
请求头信息原始头信息
Accept text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
Accept-Encoding gzip, deflate
Accept-Language zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3
Connection keep-alive
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
Host www.nowamagic.net
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。
[U]复制代码[/U] 代码如下:
$data = file_get_contents("compress.zlib://".$url);
2. 使用CURL代替file_get_contents
[U]复制代码[/U] 代码如下:
function curl_get($url, $gzip=false){
$curl = curl_init($url);
curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($curl, CURLOPT_CONNECTTIMEOUT, 10);
if($gzip) curl_setopt($curl, CURLOPT_ENCODING, "gzip"); // 关键在这里
$content = curl_exec($curl);
curl_close($curl);
return $content;
}
3. 使用gzip解压函数
[U]复制代码[/U] 代码如下:
function gzdecode($data) {
  $len = strlen($data);
  if ($len
  $filenamelen = 0;
  $filename = "";
  if ($flags & 8) {
// C-style string file NAME data in header
if ($len - $headerlen - 1
  $commentlen = 0;
  $comment = "";
  if ($flags & 16) {
// C-style string COMMENT data in header
if ($len - $headerlen - 1
  $headercrc = "";
  if ($flags & 1) {
// 2-bytes (lowest order) of CRC32 on header present
if ($len - $headerlen - 2
  // GZIP FOOTER - These be negative due to PHP's limitations
  $datacrc = unpack("V",substr($data,-8,4));
  $datacrc = $datacrc[1];
  $isize = unpack("V",substr($data,-4));
  $isize = $isize[1];
  // Perform the decompression:
  $bodylen = $len-$headerlen-8;
  if ($bodylen  0) {
switch ($method) {
   case 8:
      // Currently the only supported compression method:
      $data = gzinflate($body);
      break;
   default:
      // Unknown compression method
      return false;
}
  } else {
// I'm not sure if zero-byte body content is allowed.
// Allow it for now...  Do nothing...
  }
  // Verifiy decompressed size and CRC32:
  // NOTE: This may fail with large data sizes depending on how
  //    PHP's integer limitations affect strlen() since $isize
  //    may be negative for large sizes.
  if ($isize != strlen($data) || crc32($data) != $datacrc) {
// Bad format!  Length or CRC doesn't match!
return false;
  }
  return $data;
}
使用：
[U]复制代码[/U] 代码如下:
$html=file_get_contents('http://www.jb51.net/');
$html=gzdecode($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。


您可能感兴趣的文章:

完美解决PHP中文乱码

PHP MYSQL乱码问题,使用SET NAMES utf8校正

php url地址栏传中文乱码解决方法集合

PHP substr 截取字符串出现乱码问题解决方法[utf8与gb2312]

二招解决php乱码问题

PHP乱码问题，UTF-8乱码常见问题小结

php和mysql中uft-8中文编码乱码的几种解决办法

基于PHP导出Excel的小经验完美解决乱码问题

php读取mysql中文数据出现乱码的解决方法

PHP页面中文乱码分析

php上传文件中文文件名乱码的解决方法

php截取中文字符串不乱码的方法