4

Tengo este código que extrae información de una página web

<?php
// $url = 'https://kacos.pro/';
$url =  'https://reactjs.org/';
// Retrieve the page information
$pageContents = file_get_contents($url);
$doc = new \DOMDocument();
@$doc->loadHTML($pageContents);

// Title
$titleNodes = $doc->getElementsByTagName('title');
$title = $titleNodes->item(0)->nodeValue;

// Favicon
$linkNodes = $doc->getElementsByTagName('link');
$favicon = '';
foreach ($linkNodes as $key => $node) {
    $link = $linkNodes->item($key);
    if (mb_strpos($link->getAttribute('rel'), 'icon') !== false) {
        $favicon = $link->getAttribute('href');
    }
    if (mb_strpos($link->getAttribute('rel'), 'apple-touch-icon') !== false) {
        $favicon = $link->getAttribute('href');
    }
}

if (mb_strpos($favicon, 'https') === false) {
    if (mb_substr($favicon, 0, 1) !== '/') {
        $favicon = '/' . $favicon;
    }
    if (mb_substr($url, -1) === '/') {
        $favicon = mb_substr($url, 0, -1) . $favicon;
    } else {
        $favicon = $url . $favicon;
    }
}

// Get meta tags
$metaNodes = $doc->getElementsByTagName('meta');
$description = '';
foreach ($metaNodes as $key => $node) {
    $meta = $metaNodes->item($key);
    if (mb_strpos($meta->getAttribute('property'), 'og:description') !== false) {
        $description = $meta->getAttribute('content');
    }
    if (mb_strpos($meta->getAttribute('name'), 'description') !== false) {
        $description = $meta->getAttribute('content');
    }
}

echo ($favicon) . PHP_EOL;
echo ($title) . PHP_EOL;
echo ($description) . PHP_EOL;

E imprime esto:

https://reactjs.org/favicon.ico
React – A JavaScript library for building user interfaces
A JavaScript library for building user interfaces

Funciona bien para lo que necesito, hasta que me encuentro con caracteres especiales como ñ o vocales con tilde.
Por ejemplo para esta url https://kacos.pro/, imprime esto:

https://kacos.pro/safari-pinned-tab.svg
Home is where you can code without pants | Carlos Proaño - Beta
Husband, father, developer, friend. Currently a full stack developer. Born in Ecuador and living in México since 2012 (yes, the year the world ended)

Lo solucioné agregando utf8_decode() al código, echo utf8_decode($title) . PHP_EOL; e imprime

https://kacos.pro/safari-pinned-tab.svg
Home is where you can code without pants | Carlos Proaño - Beta
Husband, father, developer, friend. Currently a full stack developer. Born in Ecuador and living in México since 2012 (yes, the year the world ended)

Parece que el problema se solucionó, pero cuando intento extraer la información de https://reactjs.org/ con utf8_decode(), me cambia el caracter "–" por "?"

https://reactjs.org/favicon.ico
React ? A JavaScript library for building user interfaces
A JavaScript library for building user interfaces

Mi versión de PHP es la 7.2.10

¿Existe alguna forma de lograr que no cambie los caracteres pero que decodifique a UTF-8?

Cabe mencionar que el caracter "–" (en-dash), no es el mismo que un "-" (hyphen)


¿Qué he intentado?

  • He intentado hacer lo que mencionan en esta respuesta de SO, new \DOMDocument('1.0', 'UTF-8');, pero todavía me imprime "?" en lugar de "–"
1
  • 1
    Agrega esto: @$doc->loadHTML('<?xml encoding="utf-8" ?>' . $pageContents);, lo encontre en este enlace al parecer funciona Enlace
    – A. Palacio
    Commented el 5 oct. 2018 a las 23:17

1 respuesta 1

3

Por defecto, DOMDocument utiliza ISO-8859-1 para procesar el contenido, a menos que se indique alguna codificación. Es decir:

$pageContents = "<?xml encoding=\"utf-8\" ?>" . $pageContents;

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.