我正在做的事情本质上与推文按钮或Facebook分享/喜欢按钮所做的相同，那就是抓取页面和最相关的标题。我能想到的最好的例子是，当你在一个包含许多文章的网站的首页上，你点击了一个Facebook的"喜欢"按钮。然后，它将获得相对于(最近("赞"按钮的帖子的正确信息。有些网站有 Open Graph 标签，但有些没有，它仍然有效。
由于这是远程完成的，因此我只能控制要定位的数据。在本例中，数据是图像。我不是只检索页面的<title>，而是希望以某种方式从每个图像的起点反向遍历 dom，并找到最近的"标题"。问题是并非所有标题都出现在图像之前。但是，在这种情况下，图像出现在标题之后的可能性似乎相当高。话虽如此，我希望让它几乎适用于任何网站。
思潮：
- 找到图像的"容器"，然后使用第一个文本块。
- 在包含某些类("描述"、"标题"(或元素(h1，h2，h3，h4(的元素中查找文本块。
标题备份：
- 使用开放图形标记
- 仅使用
<title> - 仅使用 ALT 标记
- 使用元标记
摘要：提取图像不是问题，而是如何为它们获取相关标题。
问题：您将如何获得每个图像的相关标题？也许使用DomDocument或XPath？
您的方法似乎足够好，我只会给某些标签/属性一个权重，并使用 XPath 查询遍历它们，直到我找到退出的东西并且它不是无效的。像这样：
i = 0
while (//img[i][@src])
if (//img[i][@alt])
return alt
else if (//img[i][@description])
return description
else if (//img[i]/../p[0])
return p
else
return (//title)
i++
一个简单的 XPath 示例(从我的框架移植的函数(：
function ph_DOM($html, $xpath = null)
{
if (is_object($html) === true)
{
if (isset($xpath) === true)
{
$html = $html->xpath($xpath);
}
return $html;
}
else if (is_string($html) === true)
{
$dom = new DOMDocument();
if (libxml_use_internal_errors(true) === true)
{
libxml_clear_errors();
}
if ($dom->loadHTML(ph()->Text->Unicode->mb_html_entities($html)) === true)
{
return ph_DOM(simplexml_import_dom($dom), $xpath);
}
}
return false;
}
而实际使用情况：
$html = file_get_contents('http://en.wikipedia.org/wiki/Photography');
print_r(ph_DOM($html, '//img')); // gets all images
print_r(ph_DOM($html, '//img[@src]')); // gets all images that have a src
print_r(ph_DOM($html, '//img[@src]/..')); // gets all images that have a src and their parent element
print_r(ph_DOM($html, '//img[@src]/../..')); // and so on...
print_r(ph_DOM($html, '//title')); // get the title of the page