问如何在PHP中阅读网页

EN

简单的方式:使用 library

• The或
• 网址：fopen("http://google.com/", "r")
• The智能方式:使用 library
• The的其他智能方式:从PHP模块http_get() http
• 困难的方式:手工创建一个HTTP请求并使用或
  • 发送C方式:使用 file_get_contents()发送一个HTTP请求:通过调用外部工具，如d21或d22

不过，这些都不能保证在您的服务器上可用。

一种方法：

$url = "http://www.brothersoft.com/publisher/xtracomponents.html";
$page = file_get_contents($url);
$outfile = "xtracomponents.html";
file_put_contents($outfile, $page);

上面的代码只是一个示例，没有任何(！)错误检查和处理。

正如其他答案所说，无论是标准PHP流函数还是cURL都是检索HTML的最佳选择。至于删除标签，这里有几种方法：

Tidy选项#1：使用Tidy扩展(如果在服务器上可用)递归地遍历文档树并从节点返回文本。如下所示：

function textFromHtml(TidyNode $node) {
    if ($node->isText()) {
        return $node->value;
    } else if ($node->hasChildren()) {
        $childText = '';
        foreach ($node->child as $child)
           $childText .= textFromHtml($child);
        return $childText;
    }
    return '';
}

你可能想要更复杂的东西，例如，用换行符替换<br />标签(其中的$node->name == 'br')，但这可以作为一个开始。

然后，将HTML的文本加载到Tidy对象中，并在body节点上调用您的函数。如果内容在字符串中，请使用：

$tidy = new tidy();
$tidy->parseString($contents);
$text = textFromHtml($tidy->body());

选项#2：使用正则表达式剥离<和>之间的所有内容。您可以(也许应该)开发一个更复杂的正则表达式，例如，它只匹配有效的HTML开始或结束标记。页面的同步线中的任何错误，如正文中的错位尖括号，如果您不小心，都可能意味着垃圾输出。这就是为什么Tidy如此优秀(它是专门为清理坏页面而设计的)，但它可能不可用。