如何从网页上获取HTML文本而不进行渲染？

Question

使用cURL或者......

$html = file_get_contents('http://stackoverflow.com/questions/ask');

获取网页，但它也将其呈现为普通网页，我只想要文本。

Answer 1

我假设你只是做echo $html并假设它以某种方式呈现。不是。用纯文本来看它：

header("Content-Type: text/plain");
echo $html;

如果“渲染”你的意思是“ASP.NET将页面渲染成HTML”，不，你就无法获得任意远程页面的来源。这将是一个相当大的安全风险。

Answer 2

呃......所有file_get_contents都会得到文件的内容。它只是看起来像“渲染”HTML，因为你将它直接转储到输出流中。在输出之前尝试通过htmlspecialchars运行它。

Answer 3

我同意@Kolink。这样的事情会起作用：

$html = htmlspecialchars(file_get_contents('http://stackoverflow.com/questions/ask'));

没有经过测试，虽然非常知己！

Answer 4

“只是文字”是什么意思？你想刮掉html文件的文本 content 吗？然后你应该尝试解析文件，即使用像simplehtmldom这样的工具过滤包含有趣内容的标签（查找标签“从html中提取内容”）。或编写自己的解析器，并在必要时使用php自己的strip_tags从内容中删除剩余的标记。