我正在尝试使用
HTML DOM Parser来获取“主”产品图像的图像源,无论解析器指向哪个产品页面.
在每个页面上,似乎该图像的id为“landingImage”.
你会认为这应该是诀窍：
$finalarray[$i][2] = $html->find('img[id="landingImage"]',0)->src;
但没有这样的运气.
我也试过
foreach($html->find('img') as $e)
if (strpos($e,'landingImage') !== false) {
$finalarray[$i][2] = $e->src;
}
我注意到,通常图像源有SY300或SX300,所以我这样做：
foreach($html->find('img') as $e)
if (strpos($e,'SX300') !== false) {
$finalarray[$i][2] = $e->src;
}
else if (strpos($e,'SY300') !== false) {
$finalarray[$i][2] = $e->src;
}
不幸的是,一些图像源链接不包含,例如：
http://www.amazon.com/gp/product/B001O21H00/ref=as_li_ss_tl?ie=UTF8&camp=1789&creative=390957&creativeASIN=B001O21H00&linkCode=as2&tag=bmref-20
使用Amazon API可能是更好的解决方案,但这不是问题.
当我从示例网页(没有运行JavaScript的内容)下载html时,我找不到id =“landingImage”[1]的任何标签.但是我可以找到一个id =“main-image”的图像标签.尝试使用DOMDocument提取此标记不成功.不知何故的方法loadHTML()和loadHTMLFile()不能解析html.
但有趣的部分可以用正则表达式来提取.以下代码将为您提供图像源：
$url = 'http://www.amazon.com/gp/product/B001O21H00/ref=as_li_ss_tl?ie=UTF8&camp=1789&creative=390957&creativeASIN=B001O21H00&linkCode=as2&tag=bmref-20';
$html = file_get_contents($url);
$matches = array();
if (preg_match('#<img[^>]*id="main-image"[^>]*src="(.*?)"[^>]*>#',$html,$matches)) {
$src = $matches[1];
}
// The source of the image is
// $src: 'http://ecx.images-amazon.com/images/I/21JzKZ9%2BYGL.jpg'
[1] html源码已在PHP中下载,功能为file_get_contents.使用Firefox下载html源代码会导致不同的HTML代码.在最后一种情况下,您会发现一个带有id属性“landingImage”(JavaScript未启用！)的图像标签.看来下载的html源码依赖于客户端(http请求中的头文件).