PHP采集任意网址自动识别并提取页面主体内容

对于PHP采集很多种方式,但是都是指定dom哪个节点来采集内容,这样太麻烦了,有没有一方式可以任意网址可以自动识别主本内容呢。答案是有。
用到的组件:

  • QueryList:先用Queyrylist采集页面内容html
  • readability:把采集到的HTML原始内容给readability分析树结构,提取页面内容。

组件仓库地址:

https://querylist.cc/

https://github.com/andreskrey/readability.php

看效果:

代码:

php 复制代码
public function readability()
    {
        $param = $this->request->param();
        if($this->request->isPost())
        {
            $url = trim($param['url']);

            $ql = QueryList::get($url);
            $html = $ql->getHtml();
            //$html = file_get_contents($url);
            //$html = HttpService::request($url);

            $rules = [
                'keywords' => ['meta[name=keywords]','content'],
                'description' => ['meta[name=description]','content']
            ];
            $query =  $ql->rules($rules)->queryData();

            $readability = new Readability(new Configuration());
            $readability->parse($html);


            $data['title'] = $readability->getTitle();
            $data['seo_title'] = $readability->getTitle();
            $data['keywords'] = $query['keywords'];
            $data['description'] = '';
            $data['source'] = $url;
            $data['status'] = true;

            $content = $readability->getContent();
            $content = preg_replace("/<!--[^\!\[]*?(?<!\/\/)-->/","",$content);//删除注释
            $content = preg_replace("/<div (id|class)=('|\")(.*?)(\'|\")>/","",$content);//删除最外层idv
            $content = preg_replace("/(↵|\r\n|\n|\r)<\/div>$/","",$content);//删除最外层idv

            $data['content'] = $content;
            $data['thumb'] = $readability->getImage();
            $images = $readability->getImages();
            $photos = [];
            if(!empty($images))
            {
                foreach($photos as $v)
                {
                    $photo = [
                        'src'   => $v,
                        'alt'   => '',
                    ];
                    array_push($photos,$photo);
                }
                $data['photos'] = $photos;
            }


            return $data;
        }
        else
        {
            return $this->fetch();
        }

    }
相关推荐
niucloud-admin5 分钟前
PHP SAAS 框架常见问题——配置问题——小程序配置提示“Failed to get authorizer_access_token“
php
黑牛儿8 分钟前
面试高频问题:从浏览器请求到PHP响应:完整流程拆解
android·后端·面试·php
ftpeak11 分钟前
Python win32底层开发从入门到实战
开发语言·python·win32api
阿正的梦工坊13 分钟前
JavaScript 函数组合(Compose & Pipe)详解
开发语言·javascript·网络
lly20240615 分钟前
Python uWSGI 安装配置
开发语言
两年半的个人练习生^_^30 分钟前
每日一学:设计模式之原型模式
java·开发语言·设计模式·原型模式
elseif12331 分钟前
初学者必背【考点清单(大全)】【上篇】
开发语言·c++·笔记·学习·循环结构·分支结构·考纲
并不喜欢吃鱼32 分钟前
从零开始C++----二.(下篇)模版进阶与编译全过程的复习
开发语言·c++
234710212734 分钟前
4.17 学习笔记
开发语言·软件测试·笔记·python·学习
不知名的老吴1 小时前
View的三大特性之一:迟绑定
开发语言·c++·算法