Question

我需要一个php中的函数来提取一个没有元标记描述的网站网址的描述吗？

我试过这个功能但是不起作用：

$content = file_get_contents($url);

function getExcerpt($content) {
  $text = html_entity_decode($content);
  $excerpt = array();
  //match all tags
  preg_match_all("|<[^>]+>(.*)]+>|", $text, $p, PREG_PATTERN_ORDER);
  for ($x = 0; $x < sizeof($p[0]); $x++) {
    if (preg_match('< p >i', $p[0][$x])) {
      $strip = strip_tags($p[0][$x]);
      if (preg_match("/\./", $strip))
        $excerpt[] = $strip;
    }
    if (isset($excerpt[0])){
      preg_match("/([^.]+.)/", $strip,$matches);
      return $matches[1];
    }
  }
  return false;
}

$excerpt = getExcerpt($content);

Answer 1

Parsing HTML with RegEx几乎总是一个坏主意。值得庆幸的是，PHP拥有可以为您完成工作的库。以下代码使用DOMDocument来提取元描述，或者如果不存在，则提取页面中的前1000个字符。

<?php
function getExcerpt($html) {

    $dom = new DOMDocument();

    // Parse the inputted HTML into a DOM
    $dom->loadHTML($html);

    $metaTags = $dom->getElementsByTagName('meta');

    // Check for a meta description and return it if it exists
    foreach ($metaTags as $metaTag) {
        if ($metaTag->getAttribute('name') === "description") {
            return $metaTag->getAttribute('content');
        }
    }

    // No meta description, extract an excerpt from the body
    // Get the body node
    $body = $dom->getElementsByTagName('body');
    $body = $body->item(0);

    // extract the contents
    $bodyText = $body->textContent;

    // collapse any line breaks
    $bodyText = preg_replace('/\s*\n\s*/', "\n", $bodyText);
    // collapse any more leftover spaces or tabs to single spaces
    $bodyText = preg_replace('/[    ]+/', ' ', $bodyText);

    // return the first 1000 chars
    return trim(substr($bodyText, 0, 1000));

}

$html = file_get_contents('test.html');

echo nl2br(getExcerpt($html));

你可能想要为它添加一点逻辑，一些DOM遍历试图找到内容，或者只是在文本中间附近的一些片段。实际上，这段代码可能会抓取一堆不需要的东西，比如页面导航等等。

Answer 2

您应首先检查是否有可用的元描述，如果是，则显示其他搜索<p>标签并将该数据显示为描述（您可能希望对段落的长度设置限制，例如如果长度小于30，则搜索下一段）。如果没有<p>标签，那么只需将标题显示为描述（这就是facebook和Digg的工作原理）

在网站中提取描述没有元标记描述？

2 个答案: