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($title) . PHP_EOL;
e imprime
https://kacos.pro/safari-pinned-tab.svg Home is where you can code without pants | Carlos Proaño - Beta Husband, father, developer, friend. Currently a full stack developer. Born in Ecuador and living in México since 2012 (yes, the year the world ended)
Parece que el problema se solucionó, pero cuando intento extraer la información de https://reactjs.org/
con utf8_decode()
, me cambia el caracter "–" por "?"
https://reactjs.org/favicon.ico React ? A JavaScript library for building user interfaces A JavaScript library for building user interfaces
Mi versión de PHP es la 7.2.10
¿Existe alguna forma de lograr que no cambie los caracteres pero que decodifique a UTF-8?
Cabe mencionar que el caracter "–" (en-dash), no es el mismo que un "-" (hyphen)
¿Qué he intentado?
- He intentado hacer lo que mencionan en esta respuesta de SO,
new \DOMDocument('1.0', 'UTF-8');
, pero todavía me imprime "?" en lugar de "–"
@$doc->loadHTML('<?xml encoding="utf-8" ?>' . $pageContents);
, lo encontre en este enlace al parecer funciona Enlace