无法从网页获取产品名称

Question

我在 php 中编写了一个脚本来抓取位于网页右上角的产品的 title。 title 显示为 Gucci.

当我执行下面的脚本时，它给我一个错误 Notice: Trying to get property 'plaintext' of non-object in C:\xampp\htdocs\runcode\testfile.php on line 16。

我怎样才能从那个网页上只得到名字Gucci？

Link to the url

到目前为止我写了：

<?php
include "simple_html_dom.php";
$link = "https://www.farfetch.com//bd/shopping/men/gucci-rhyton-web-print-leather-sneaker-item-12964878.aspx"; 

function get_content($url)
    {
        $ch = curl_init();
        curl_setopt($ch, CURLOPT_URL, $url);
        curl_setopt($ch, CURLOPT_HTTPHEADER, array('User-Agent: Mozilla/5.0',));
        curl_setopt($ch, CURLOPT_BINARYTRANSFER, 1);
        curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
        $htmlContent = curl_exec($ch);
        curl_close($ch);
        $dom = new simple_html_dom();
        $dom->load($htmlContent);
        $itemTitle = $dom->find('#bannerComponents-Container [itemprop="name"]', 0)->plaintext;
        echo "{$itemTitle}";
    }
get_content($link);
?>

顺便说一句，我在脚本中使用的选择器完美无缺。

为了消除混淆，我从 页面源 复制了一大块 html 元素，它们都不是动态生成的javascript 也没有加密，所以我找不到任何 curl 无法处理的原因：

<div class="cdb2b6" id="bannerComponents-Container">
    <p class="_41db0e _527bd9 eda00d" data-tstid="merchandiseTag">New Season</p>
    <div class="_1c3e57">
        <h1 class="_61cb2e" itemProp="brand" itemscope="" itemType="http://schema.org/Brand">
            <a href="/bd/shopping/men/gucci/items.aspx" class="fd9e8e e484bf _4a941d f140b0" data-trk="pp_infobrd" data-tstid="cardInfo-title" itemProp="url" aria-label="Gucci">
                <span itemProp="name">Gucci</span>
            </a>
        </h1>
    </div>
</div>

Post 脚本：非常可悲的是，我不得不展示另一种语言的真实示例以确保名称 Gucci 不是动态的生成的评论和答案已经表明

以下脚本是在python中编写的（使用无法处理动态内容的requests模块）：

import requests
from bs4 import BeautifulSoup

url = "https://www.farfetch.com//bd/shopping/men/gucci-rhyton-web-print-leather-sneaker-item-12964878.aspx"

with requests.Session() as s:
    s.headers["User-Agent"] = "Mozilla/5.0"
    res = s.get(url)
    soup = BeautifulSoup(res.text,"lxml")
    item = soup.select_one('#bannerComponents-Container [itemprop="name"]').text
    print(item)

它产生的输出：

Gucci

现在，很明显我要查找的内容是静态的。

请查看下图以识别我已经用铅笔标记的 title。

Answer 1

您的选择器确实可以在浏览器中使用，但是当您使用 curl 获取页面源代码时，您的选择器不存在。

尝试在终端中保存卷曲的页面，您会发现页面结构与您在浏览器中看到的不同。

大多数现代网站都是如此，因为它们大量使用 Javascript 而 curl 不适合您运行 javascript。

我将卷曲结果保存到一个文件中，品牌信息如下所示：

<a itemprop="brand" class="generic" data-tstid="Label_ItemBrand" href="/bd/shopping/men/gucci/items.aspx" dir="ltr">Gucci</a>

Answer 2

成功的 Python 脚本与 PHP 脚本的主要区别在于 session 的使用。您的 PHP 脚本不使用 cookie，这会触发来自服务器的不同响应。

我们有两个选择：

更改选择器。如 Mark's answer 中所述，该项目仍在 html 上，但在不同的标签中。我们可以用这个选择器得到它：
```
'a[itemprop="brand"]'
```

使用 cookie。如果我们使用 CURLOPT_COOKIESESSION 和 write/read cookie 的临时文件，我们可以获得与您的 Python 脚本相同的响应。

function get_content($url) {
    $cookieFileh = tmpfile();
    $cookieFile=stream_get_meta_data($cookieFileh)['uri'];
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/5.0');
    curl_setopt($ch, CURLOPT_COOKIESESSION, true);
    curl_setopt($ch, CURLOPT_COOKIEJAR, $cookieFile);
    curl_setopt($ch, CURLOPT_COOKIEFILE, $cookieFile); 
    curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false); //
    curl_setopt($ch, CURLOPT_ENCODING, "gzip");
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    curl_exec($ch);
    $htmlContent = curl_exec($ch);
    curl_close($ch);
    fclose($cookieFileh); // thanks to tmpfile(), this also deletes the cookie file.
    $dom = new simple_html_dom();
    $dom->load($htmlContent);
    $itemTitle = $dom->find('#bannerComponents-Container [itemprop="name"]', 0)->plaintext;
    echo "{$itemTitle}";
}

$link = "https://www.farfetch.com/bd/shopping/men/gucci-rhyton-web-print-leather-sneaker-item-12964878.aspx"; 
get_content($link);
//Gucci

此脚本执行两个请求；第一个请求将 cookie 写入文件，第二个请求读取并使用它们。

在这种情况下，服务器 returns 压缩响应，所以我使用 CURLOPT_ENCODING 来解压缩内容。

由于您使用 headers 只是为了设置一个 user-agent，因此最好使用 CURLOPT_USERAGENT 选项。

我已将 CURLOPT_SSL_VERIFYPEER 设置为 false，因为我没有设置证书，并且 CURL 无法使用 HTTPS。如果您可以与 HTTPS 站点通信，出于安全原因最好不要使用此选项。如果没有，您可以使用 CURLOPT_CAINFO 设置证书。

Answer 3

@t.m.adam 已经解决了这个问题，我只是想补充一点，今天没有充分的理由使用 simple_html_dom，似乎没有维护，开发在 2014 年停止，有很多未解决的错误报告，并且最重要的是，DOMDocument 和 DOMXPath 几乎可以做 simple_html_dom 可以做的所有事情，并且得到维护，并且是 PHP 的一个组成部分，这意味着您的脚本 include/bundle 没有什么可做的。用 DOMDocument 和 DOMXPath 解析它看起来像：

$htmlContent = curl_exec($ch);
curl_close($ch);
fclose($cookieFileh); // thanks to tmpfile(), this also deletes the cookie file.
$dom = @DOMDocument::loadHTML($htmlContent);
$xp=new DOMXPath($dom);
$itemTitle = $xp->query('//*[@id="bannerComponents-Container"]//*[@itemprop="name"]')->item(0)->textContent;
echo $itemTitle;

无法从网页获取产品名称

Trouble getting the name of a product from a webpage

php

curl

web-scraping

simple-html-dom