🎄teratailクリスマスプレゼントキャンペーン2024🎄』開催中!

\teratail特別グッズやAmazonギフトカード最大2,000円分が当たる!/

詳細はこちら
スクレイピング

スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

cURL

cURLはHTTP, FTPやTelnetなど複数のプロトコルを用いてデータを転送するライブラリとコマンドラインツールを提供します。

XPath(XML Path)

XML Path Language (XPath; XMLパス言語)は、マークアップ言語 XML に準拠した文書の特定の部分を指定する言語構文の事をいいます。XPathはXMLとは別の構文を使用します。XMLドキュメントの抽象、論理ストラクチャ上で動作します。

PHP

PHPは、Webサイト構築に特化して開発されたプログラミング言語です。大きな特徴のひとつは、HTMLに直接プログラムを埋め込むことができるという点です。PHPを用いることで、HTMLを動的コンテンツとして出力できます。HTMLがそのままブラウザに表示されるのに対し、PHPプログラムはサーバ側で実行された結果がブラウザに表示されるため、PHPスクリプトは「サーバサイドスクリプト」と呼ばれています。

Q&A

解決済

1回答

2237閲覧

cURLで取得したデータをXPathに変換したい

Praline

総合スコア46

スクレイピング

スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

cURL

cURLはHTTP, FTPやTelnetなど複数のプロトコルを用いてデータを転送するライブラリとコマンドラインツールを提供します。

XPath(XML Path)

XML Path Language (XPath; XMLパス言語)は、マークアップ言語 XML に準拠した文書の特定の部分を指定する言語構文の事をいいます。XPathはXMLとは別の構文を使用します。XMLドキュメントの抽象、論理ストラクチャ上で動作します。

PHP

PHPは、Webサイト構築に特化して開発されたプログラミング言語です。大きな特徴のひとつは、HTMLに直接プログラムを埋め込むことができるという点です。PHPを用いることで、HTMLを動的コンテンツとして出力できます。HTMLがそのままブラウザに表示されるのに対し、PHPプログラムはサーバ側で実行された結果がブラウザに表示されるため、PHPスクリプトは「サーバサイドスクリプト」と呼ばれています。

0グッド

0クリップ

投稿2020/12/16 14:36

前提・実現したいこと

WEBページのスクレイピングを勉強中です。
以前はDOMDocumentとXPathにて情報を取得していましたが、
現在は処理速度の向上、同期処理実装のためにcURLを使用したいと考えております。

発生している問題・エラーメッセージ

DOMDocumentのみを使用してページ情報を取得する操作は問題ありませんが、
cURLを使用したところ、XPathのオブジェクトを生成できません。

該当のソースコード

php

1 /*動作する*/ 2 $dom = new DOMDocument; 3 @$dom->loadHTMLFile('https://hoge.com/'); 4 $page = new DOMXPath($dom); 5 unset($dom); 6 7 $c = $page->query('//title')->item(0)->nodeValue; 8 echo $c; 9 10 11 /*動作しない*/ 12 $ch = curl_init(); 13 $timeout = 5; 14 curl_setopt($ch, CURLOPT_URL, 'https://hoge.com/'); 15 curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); 16 curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout); 17 $html = curl_exec($ch); 18 19 curl_close($ch); 20 21 $dom = new DOMDocument; 22 @$dom->loadHTMLFile( $html ); 23 $page = new DOMXPath($dom); 24 25 $c = $page->query('//title')->item(0)->nodeValue; 26 echo $c; 27 //Notice: Trying to get property 'nodeValue' of non-object

試したこと

loadHTMLFileにはhtmlエンティティを代入しなければいけないこと、
curl_execで返ってくる情報がテキストであることから、
mb_convert_encodingHTML-ENTITIESに変換しましたが、依然状況が変わりません。
curl_execで取得したオブジェクトをloadHTMLFileに適正な型に変換する方法がありましたら、ご教授いただけると幸いです。

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答1

0

ベストアンサー

loadHTMLFileではなくloadXmlを使う必要がありそうです。
https://www.php.net/manual/ja/domdocument.loadxml.php

cURLのレスポンスは文字列であってファイルではありません。
HTMLはXMLの一種です。

投稿2020/12/16 20:46

rysh

総合スコア874

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

Praline

2020/12/17 01:15

ご指摘ありがとうございます。 loadHTMLFileではなくmb_convert_encodingを挟んでloadHTMLで正常に読み込めるようになりました。 初歩的なミスでしたね…
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.36%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問