在 PHP 中抓取网页时获取垃圾输出

Question

我正在尝试使用从亚马逊获取页面的内容，file_get_html()但输出带有奇怪的字符echo。谁能解释一下我该如何解决这个问题？

我还在 Stack Overflow 上发现了以下两个相关问题，但它们并没有解决我的问题。:)

1. file_get_html() 返回垃圾
2. 解压缩 gzip 压缩的 http 响应

这是我的代码：

$options = array(
'http'=>array(
    'header'=>
            "Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8\r\n".
            "Accept-language: en-US,en;q=0.5\r\n" .
            "User-Agent: Mozilla/5.0 (Windows; U; Windows NT 6.0; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6\r\n"
   )
); 
$context = stream_context_create($options);

$amazon_url = 'https://www.amazon.com/my-url';
$amazon_html = file_get_contents($amazon_url, false, $context);

这是我得到的输出：

??T]o?6}??`???0???-??"[?bh?tN?b0??.%%?$P??@?(??? ??????F#????A?

大约 115k 这样的字符显示在浏览器窗口中。

这些是我的新标题：

$options = array(
'http'=>array(
    'header'=>
            "Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8\r\n".
            "Accept-language: en-US,en;q=0.5\r\n"
   )
); 

使用 cURL 会解决这个问题吗？

更新：

我试过卷曲。仍然得到垃圾输出。这是我的响应标头：

HTTP/1.1 200 OK
Date: Sun, 18 Nov 2018 20:29:28 GMT
Server: Apache/2.4.33 (Win32) OpenSSL/1.1.0h PHP/7.2.5
X-Powered-By: PHP/7.2.5
Keep-Alive: timeout=5, max=100
Connection: Keep-Alive
Transfer-Encoding: chunked
Content-Type: text/html; charset=UTF-8

谁能解释一下反对票？

1. 我自己做了一个研究。
2. 在 Stack Overflow 上发现了一些相关问题，但并没有解决我的问题。
3. 提供了我认为有帮助的所有信息。

我还应该在问题中包括什么？

这是我目前的 curl 全部代码。这是我正在抓取的网址。

$handle = curl_init();
curl_setopt($handle, CURLOPT_URL, $amazon_url);
curl_setopt($handle, CURLOPT_RETURNTRANSFER, true);
$data = curl_exec($handle);
curl_close($handle);

echo $data;

输出只是我上面提到的一堆字符。这是我的请求标头：

Host: localhost
User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:63.0) Gecko/20100101 Firefox/63.0
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
Accept-Language: en-US,en;q=0.5
Accept-Encoding: gzip, deflate
Connection: keep-alive
Cookie: AMCV_17EB401053DAF4840A490D4C%40AdobeOrg=-227196251%7CMCIDTS%7C17650%7CMCMID%7C67056225185486460220940124683302119708%7CMCAID%7CNONE%7CMCOPTOUT-1524907071s%7CNONE; mjx.menu=renderer%3ACommonHTML; _ga=GA1.1.2019605490.1529649408; csm-hit=adb:adblk_no&tb:s-3521C4J8F2EP1V0MMQEP|1542578145652&t:1542578146256
Upgrade-Insecure-Requests: 1
Pragma: no-cache
Cache-Control: no-cache

这些来自网络选项卡。响应头与我上面提到的相同。

这是添加curl_setopt($handle, CURLOPT_HEADER, 1);到我的代码后的输出：

HTTP/1.1 200 OK 服务器：服务器内容类型：text/html；charset=UTF-8 Strict-Transport-Security: max-age=47474747; 包括子域；预加载 x-amz-id-1：7A162B8JKV6MGZQ3PCH2 变化：接受编码、用户代理、X-Amzn-CDN-缓存内容编码：gzip x-amz-rid：7A162B8JKV6MGZQ3PCH2 缓存控制：无转换 X-Frame选项：SAMEORIGIN 日期：2018 年 11 月 18 日星期日 22:42:51 格林威治标准时间 传输编码：分块连接：保持活动连接：传输编码设置-Cookie：x-wl-uid=1a4u8+XgF+IhFF/iavy9mKZCAA0g4HiIYZXR8hKtBxGtBvDr +7Qmpjqds=;

Answer 1

这是解决方案：

我在抓取亚马逊时遇到了同样的问题。在发送您的 cURL 请求之前，只需添加以下选项：

curl_setopt($handle, CURLOPT_ENCODING, 'gzip,deflate,sdch');