如何通过cron获取谷歌文档原始内容而非HTML格式页面

问题原因 #

你当前使用的是谷歌文档的编辑页面URL，该地址返回的是完整的网页编辑器内容，自然包含HTML、CSS等前端代码，并非文档本身的原始内容。

解决方案 #

将URL中的edit?usp=sharing后缀替换为谷歌文档的导出接口后缀即可获取纯原始内容：

• 如需纯文本内容，替换为export?format=txt
• 如需docx格式文档，替换为export?format=docx
• 如需pdf格式文档，替换为export?format=pdf

修改后的代码示例 #

基础版（file_get_contents实现） #

<?php
// 替换为纯文本导出地址
$exportUrl = 'https://docs.google.com/document/d/1IPNaCKwzdWRVOq30saI_pIBLcL62g4_2zMmjK54yD3E/export?format=txt';
$content = file_get_contents($exportUrl);
// 移除谷歌导出文本自带的UTF-8 BOM头
$content = preg_replace('/^\x{EF}\x{BB}\x{BF}/u', '', $content);
file_put_contents('import.txt', $content);
?>

兼容版（cURL实现，适配file_get_contents被禁用的环境） #

<?php
$exportUrl = 'https://docs.google.com/document/d/1IPNaCKwzdWRVOq30saI_pIBLcL62g4_2zMmjK54yD3E/export?format=txt';
$ch = curl_init($exportUrl);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true); // 跟随谷歌导出的302跳转
$content = curl_exec($ch);
curl_close($ch);
// 移除UTF-8 BOM头
$content = preg_replace('/^\x{EF}\x{BB}\x{BF}/u', '', $content);
file_put_contents('import.txt', $content);
?>

注意事项 #

需要提前将目标谷歌文档的权限设置为「任何拥有链接的用户均可查看」，否则导出接口会返回403权限错误。

内容的提问来源于stack exchange，提问作者Dan