Vsetky odkazy zo stranky – PHP – Fórum – Programujte.com

Caute, potrebujem od Vas radu :)

Snazim sa dostat vsetky <a> zo stranky ale mam problem

#1 //$html = file_get_contents('http://www.chytrazena.cz/zena-na-md-a-financovani-domacnosti-37128.html');
#2 //$html = file_get_contents('http://moneymag.cz/pujcky-sporeni/7602-rychle-pujcky-bez-registru-a-zastavy-aneb-vse-co-jste-o-nich-chteli-vedet');
#3 //$html = file_get_contents('http://stavba.tzb-info.cz/15300-pujcka-na-rekonstrukci-kdy-o-ni-zacit-uvazovat-a-jak-ji-vybrat');

$dom = new DOMDocument;

@$dom->loadHTML($html);

$links = $dom->getElementsByTagName('a');

foreach ($links as $link)
{
	echo '<b>',$link->nodeValue , '</b><br>';
	echo $link->getAttribute('href'), '<br><br>';
}

mam aj nejake priklady. Pri stranke cislo 1 nevypise nic. Pri stranke cislo 2 vypis vyzera tak ako si ho predstavujem, pri stranke cislo 3 su niekde divne znaky, mozno problem s kodovanim. 
Neviem prist na to, preco je pri kazdej stranke iny vysledok. Co mi unika ?

Co je na strankach ine a co by som mal osetrit aby som sa dostal k vysledku na kazdej stranke ? 

Za kazdu pomoc dakujem :)

Nejdřív zkus odstranit @ a podívat se na ty chyby.

#2 gna
Uplne som na to @ zabudol :) dakujem

Tez je dobre pridat si error_reporting, pokud stale nic nevypisuje.
Treba je problem v html strance. XML parser napriklad vyzaduje prisne spravne xml ukonceni tagu a syntax. Jakoze zapomenuta uvozovka " nebo nezakodovany znak > < je problem.
Pridej link na html stranku, co dela problem.

function fread_url($url, $ref="")
    {
        if(function_exists("curl_init"))
		{
            $ch = curl_init();
            $user_agent = "Mozilla/4.0 (compatible; MSIE 5.01; ".
                          "Windows NT 5.0)";
            $ch = curl_init();
            curl_setopt($ch, CURLOPT_USERAGENT, $user_agent);
            curl_setopt( $ch, CURLOPT_HTTPGET, 1 );
            curl_setopt( $ch, CURLOPT_RETURNTRANSFER, 1 );
            curl_setopt( $ch, CURLOPT_FOLLOWLOCATION , 1 );
            curl_setopt( $ch, CURLOPT_FOLLOWLOCATION , 1 );
            curl_setopt( $ch, CURLOPT_URL, $url );
            curl_setopt( $ch, CURLOPT_REFERER, $ref );
            curl_setopt ($ch, CURLOPT_COOKIEJAR, 'cookie.txt');
            $html = curl_exec($ch);
            curl_close($ch);
        }
        else
		{
            $hfile = fopen($url,"r");
            if( $hfile )
			{
                while(!feof( $hfile ))
				{
                    $html .= fgets( $hfile, 1024 );
                }
            }
        }
        return $html;
    }

Vyriesil som to takto, funguje pre vsetky stranky.. Teraz mam problem s kodovanim cz znakov :) 

pri iconv('iso-8859-1', 'utf-8', $text) az iconv('iso-8859-15', 'utf-8', $text) niektore znaky neopravi

pri iconv('windows-1250', 'UTF-8', $text) az iconv('windows-1252', 'UTF-8', $text) tiez nie.. 

Ako sa riesi takyto problem ? Ako zobrazit vsetky CZ znaky tak kao maju byt zobrazene? Na stranke sa zobrazuju spravne. 

napr tu 

http://moneymag.cz/pujcky-sporeni/7602-rychle-pujcky-bez-registru-a-zastavy-aneb-vse-co-jste-o-nich-chteli-vedet

dakujem :)
 

podle meta je to <meta charset="utf-8">
podle prohlizece je to unicode
Proc bys to konvertoval z unicode na unicode? :)
To by chtelo vedet, jake kodovani tam davas do php header() ty. Default kodovani mozna neni takove, jake sis myslel, ze tam mas.

#5 nord
Podle hlavičky HTTP: 

Content-Type: text/html; charset=utf-8

je to jasné UTF-8. Hlavičky META v kódu HTML nejsou směrodatné.