Question

我需要获得用HTML编写的新闻项目的简短摘录，以便在我的首页上显示。显然，我不能使用像substr这样简单的东西，因为它可能会使标签保持未封闭状态，甚至可以留下半个标签。

哪个更容易：

将HTML转换为体面的纯文本，并将其中的一部分
从HTML开始并在截止点关闭所有未关闭的标签（这总是看起来不错吗？）

我将如何实施所选择的解决方案？

Answer 1

最简单的方法是在截断之前使用strip_tags()从项目文本中删除所有HTML。

Answer 2

如果保留原始新闻项的HTML结构很重要，我会选择第二个选项。

实现此功能的一种简单方法是通过Tidy运行您的片段以关闭所有未关闭的标记。特别是，请参阅tidy::cleanRepair方法。

Answer 3

你好我想你要找的是网站抓取。以下是如何抓取网站的方法; 使用库PHP Simple HTML DOM Parser在这里下载PHP Simple HTML DOM Parser

最后这里是代码如何刮掉Slashdot

// Create DOM from URL
$html = file_get_html('http://slashdot.org/');

// Find all article blocks
foreach($html->find('div.article') as $article) {
    $item['title']   = $article->find('div.title', 0)->plaintext;
    $item['intro']   = $article->find('div.intro', 0)->plaintext;
    $item['details'] = $article->find('div.details', 0)->plaintext;
    $articles[] = $item;
}

print_r($articles);

Answer 4

您可以尝试将数据解析为XML，然后仅截断“纯”文本节点。

注意：此解决方案强制输入为有效的XML，并始终保持大致相同的结构。

Answer 5

这摘录到第一段而没有剪切单词并添加可选的跟踪。

$ excerpt = self :: excerpt_paragraph（$ html，180）

/**
* excerpt first paragraph from html content
* 
**/
public static function excerpt_paragraph($html, $max_char = 100, $trail='...' )
{
    // temp var to capture the p tag(s)
    $matches= array();
    if ( preg_match( '/<p>[^>]+<\/p>/', $html, $matches) )
    {
        // found <p></p>
        $p = strip_tags($matches[0]);
    } else {
        $p = strip_tags($html);
    }
    //shorten without cutting words
    $p = self::short_str($p, $max_char );

    // remove trailing comma, full stop, colon, semicolon, 'a', 'A', space
    $p = rtrim($p, ',.;: aA' );

    // return nothing if just spaces or too short
    if (ctype_space($p) || $p=='' || strlen($p)<10) { return ''; }

    return '<p>'.$p.$trail.'</p>';
}
//

/**
* shorten string but not cut words
* 
**/
public static function short_str( $str, $len, $cut = false )
{
    if ( strlen( $str ) <= $len ) { return $str; }
    $string = ( $cut ? substr( $str, 0, $len ) : substr( $str, 0, strrpos( substr( $str, 0, $len ), ' ' ) ) );
    return $string;
}
//

Answer 6

有时候，最好将前两段与带有组和惰性量词的正则表达式结合使用。

function excerpt_from_html($str) {
    $re = '/(<p>\X*?<\/p>)\X*?(<p>\X*?<\/p>)/u';
    preg_match($re, $str, $matches);
    return $matches[1] . $matches[2];
}

或者您可以采用3-4段，并根据摘录的长度决定要显示多少段。

从PHP中获取HTML摘录

6 个答案: