我有一个网页，例如http://example.com/some-page。如果我将这个URL传递给我的PHP函数，它应该会获取页面的标题和内容。我试着这样抢标题：
function page_title($url) {
$page = @file_get_contents($url);
if (preg_match('~<h1 class="page-title">(.*)<'/h1>~is', $page, $matches)) {
return $matches[0];
}
}
echo page_title('http://example.com/some-page');
我犯了什么错？
您的函数实际上几乎可以工作。我将提出DOM解析器解决方案（见下文），但在此之前，我将指出正则表达式和代码中的一些弱点：
-
(.*)捕获组是贪婪的，即它将捕获在闭合</h1>之前尽可能长的字符串，即使是换行符（因为s修饰符）。因此，如果你的文档有多个h1标签，它会一直捕获到最后一个！你可以通过使它成为一个懒惰的捕获来解决这个问题：(.*?) -
实际页面的标题内可能有其他标签，如
span。您可能希望改进正则表达式，以排除标题周围的任何标记，但PHP有一个函数strip_tags用于此目的。 - 确保实际检索到文件内容；错误可能阻止了正确的检索，或者您的服务器可能不允许这样的检索。当您使用
@前缀来抑制错误时，您可能会错过它们。我建议去掉@。您也可以检查false的返回值 - 你确定要
H1标签的内容吗？页面通常具有特定的title标记
上述改进将为您提供以下代码：
function page_title($url) {
$page = file_get_contents($url);
if ($page===false) {
echo "Failed to retrieve $url";
}
if (preg_match('~<h1 class="page-title">(.*?)<'/h1>~is', $page, $matches)) {
return strip_tags($matches[0]);
}
}
尽管这样做有效，但您迟早会碰到一个文档，该文档在h1标记中有一个额外的空间，或者在class之前有另一个属性，或者有多个css样式，等等…使匹配失败。下面的正则表达式将处理其中的一些问题：
~<h1's+class's*='s*"([^" ]* )?page-title( [^"]*)?"[^>]*>(.*?)<'/h1's*>~is
但是class属性仍然必须位于任何其他属性之前，并且其值必须用双引号括起来。这也是可以解决的，但正则表达式将变成一个怪物。
DOM方式
正则表达式不是从HTML中提取内容的理想方法。这里有一个基于DOM解析的替代函数：
function xpage_title($url) {
// Create a new DOM Document to hold our webpage structure
$xml = new DOMDocument();
// Load the url's contents into the DOM, ignore warnings
libxml_use_internal_errors(true);
$success = $xml->loadHTMLFile($url);
libxml_use_internal_errors(false);
if (!$success) {
echo "Failed to open $url.";
return;
}
// Find first h1 with class 'page-title' and return it's text contents
foreach($xml->getElementsByTagName('h1') as $h1) {
// Does it have the desired class?
if (in_array('page-title', explode(" ", $h1->getAttribute('class')))) {
return $h1->textContent;
}
}
}
使用CCD_ 15仍能改善上述性能。
编辑
您在评论中提到，您实际上不想要H1标记的内容，因为它包含的文本比您想要的多。
然后您可以读取title标签和article标签内容：
function page_title_and_content($url) {
$page = file_get_contents($url);
if ($page===false) {
echo "Failed to retrieve $url";
}
// PHP 5.4: $result = (object) ["title" => null, "content" => null];
$result = new stdClass();
$result->title = null;
$result->content = null;
if (preg_match('~'<title'>(.*?)'<'/title'>~is', $page, $matches)) {
$result->title = $matches[1];
}
if (preg_match('~<article>(.*)<'/article>~is', $page, $matches)) {
$result->content = $matches[1];
}
return $result;
}
$result = page_title_and_content('http://www.example.com/example');
echo "title: " . $result->title . "<br>";
echo "content: <br>" . $result->content . "<br>";
上面的代码将返回一个具有两个属性的对象：title和content。请注意，content属性将具有HTML标记，其中可能包含图像等。如果不需要标记，请应用strip_tags。