我有一個美國國會議員的網站列表，我以編程方式抓取地址。許多網站的底層標記有所不同，但直到我開始看到數百個網站沒有爲我寫的腳本提供預期結果時，這個問題一開始並不成問題。當strip_tags（）燒燬乾草堆
在花了一些時間來評估潛在原因後，我發現file_get_contents()的結果strip_tags()被多次擦除了頁面的大部分來源！這不僅僅是刪除HTML，而是刪除了我想要刮掉的非HTML！
所以我刪除了電話strip_tags()，用一個調用來取消所有非字母數字字符，並給該過程另外一次運行。它出現了其他的結果，但仍然缺乏很多。這一次是因爲我的正則表達式不符合所需的模式。查看返回的代碼後，我意識到我在整個文本中散佈了HTML屬性的殘餘部分，打破了我的模式。
有沒有辦法解決？它是HTML格式不正確的結果嗎？我能做些什麼嗎？
有PHP手冊警告，上面寫着：
因爲用strip_tags（）實際上並不 驗證HTML，局部的，或可能導致刪除的詳細 文本/數據比破 標籤預期。
既然你刮許多不同的網站，你可以不佔他們的HTML的有效性，這將永遠是一個問題。不幸的是，正則表達式不會爲你做，如regexps simply aren't cut out to be document parsers。
我會使用類似PHP Simple HTML DOM Parser，甚至內置DOMDocument->loadHTML()方法。
您可以保留一個小型數據庫，記錄您想要刮取的每個頁面以及在該頁面結構中找到信息的位置。每次你抓取它時，你都可以做一個快速檢查，看看結構是否發生了變化，在這種情況下，你可以使用DOM解析器的新路徑位置來更新數據庫，並在下一次抓取時獲取它。
格式錯誤的html很可能是原因。
您可以嘗試通過DOMDocument::loadhtmlfile()加載頁面。它可以「修復」錯誤。
也請看libxml_use_internal_errors()，因爲它可能會幫助您識別和處理問題。