文章/答案/技术大牛

发布

社区首页 >问答首页 >从html中提取基本信息？

问从html中提取基本信息？
EN

Stack Overflow用户

提问于 2011-04-24 05:48:33

回答 1查看 816关注 0票数 1

我有一个项目，用户提交许多链接到外部网站，我需要解析这些提交的链接的HTML并从页面中提取基本信息，就像Digg和Facebook在提交链接时所做的那样。

我想找回：

主标题或标题(可以是标题、h1、h2、p等)
说明文本(可以在div、p等.)

H 110主图像H 211G 212

我的主要问题是，似乎有太多的选择在这里探索，我变得有点困惑，坐得最少。到目前为止，我看过的许多解决方案似乎是不充分的，或者是巨大的过火。

html

parsing

extraction

information-extraction

Stack Overflow用户

发布于 2011-04-24 05:52:53

您可以选择服务器端语言来完成此操作。

例如，使用PHP，您可以使用get_meta_tags()作为元标记..。

$meta = get_meta_tags('http://google.com');

您可以使用DOMDocument获取title元素(有些人可能会认为如果需要title元素，也可以使用DOMDocument获取元标记)。

$dom = new DOMDocument;

$dom->loadHTML('http://google.com');

$title = $dom
           ->getElementsByTagName('head')
           ->item(0)
           ->getElementsByTagName('title')
           ->item(0)
           ->nodeValue;

至于获取主图像，这需要某种程度的提取什么可以被认为是主要的图像。您可以获取所有的img元素，并在页面上查找最大的元素。

$dom = new DOMDocument;

$dom->loadHTML('http://google.com');

$imgs = $dom
         ->getElementsByTagName('body')
         ->item(0)
         ->getElementsByTagName('img');

$imageSizes = array();

foreach($imgs as $img) {

  if ( ! $img->hasAttribute('src')) {
     continue;
  }

  $src = $img->getAttribute('src');

  // May need to prepend relative path
  // Assuming Apache, http and port 80

  $relativePath = rtrim($_SERVER['SERVER_NAME'] . $_SERVER['REQUEST_URI'], '/') . '/';

  if (substr($src, 0, strlen($relativePath) !== $relativePath) {
     $src = $relativePath . $src;
  }

  $imageInfo = getimageinfo($src);

  if ( ! $imageInfo) {
     continue;
  }    

  list($width, $height) = $imageInfo;

  $imageSizes[$width * $height] = $img;

}

$mainImage = end($imageSizes);

票数 2

查看全部 1 条回答

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/5768890

复制

相似问题

问从html中提取基本信息？
EN

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问从html中提取基本信息？EN

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问从html中提取基本信息？
EN