web-dev-qa-db-ja.com

リンクからウェブサイトのタイトルを取得

Google News の各記事の抜粋の下部にソースがあることに注意してください。

ガーディアン-ABCニュース-ロイター-ブルームバーグ

私はそれを真似しようとしています。

たとえば、URLを送信するとhttp://www.washingtontimes.com/news/2010/dec/3/debt-panel-fails-test-vote/返したいThe Washington Times

これはどのようにPHPで可能ですか？

phpfunctionurlhyperlinkpage-title
35
Noob

私の答えは、ページのタイトルを使用するという@AI Wの答えを拡張したものです。以下は、彼が言ったことを達成するためのコードです。

<?php

function get_title($url){
  $str = file_get_contents($url);
  if(strlen($str)>0){
    $str = trim(preg_replace('/\s+/', ' ', $str)); // supports line breaks inside <title>
    preg_match("/\<title\>(.*)\<\/title\>/i",$str,$title); // ignore case
    return $title[1];
  }
}
//Example:
echo get_title("http://www.washingtontimes.com/");

?>

[〜＃〜] output [〜＃〜]

Washington Times-政治、ニュース速報、米国および世界のニュース

ご覧のとおり、これはGoogleが使用しているものとはまったく異なります。そのため、URLのホスト名を取得し、それを独自のリストに一致させると信じさせられます。

http://www.washingtontimes.com/ => The Washington Times

61
Jose Vega
$doc = new DOMDocument();
@$doc->loadHTMLFile('http://www.washingtontimes.com/news/2010/dec/3/debt-panel-fails-test-vote/');
$xpath = new DOMXPath($doc);
echo $xpath->query('//title')->item(0)->nodeValue."\n";

出力：

債務委員会はテスト票で不足している-Washington Times

もちろん、基本的なエラー処理も実装する必要があります。

31
Matthew

URLのコンテンツを取得し、title要素のコンテンツの正規表現検索を実行できます。

<?php
$urlContents = file_get_contents("http://example.com/");
preg_match("/<title>(.*)<\/title>/i", $urlContents, $matches);

print($matches[1] . "\n"); // "Example Web Page"
?>

または、（ドキュメントの上部に非常に近いものに一致するために）正規表現を使用したくない場合は、 DOMDocumentオブジェクト を使用できます。

<?php
$urlContents = file_get_contents("http://example.com/");

$dom = new DOMDocument();
@$dom->loadHTML($urlContents);

$title = $dom->getElementsByTagName('title');

print($title->item(0)->nodeValue . "\n"); // "Example Web Page"
?>

どの方法が一番好きかはあなた次第です。

6
James Sumners

ドメインホームページからget_meta_tags（）を使用すると、NYTは切り捨てる必要があるかもしれないが、役立つ可能性のあるものを返します。

$b = "http://www.washingtontimes.com/news/2010/dec/3/debt-panel-fails-test-vote/" ;

$url = parse_url( $b ) ;

$tags = get_meta_tags( $url['scheme'].'://'.$url['Host'] );
var_dump( $tags );

「ワシントンタイムズは、わが国の未来に影響を与える問題についての最新ニュースと解説を提供しています」という説明を含んでいます。

5
Cups

cURLのPHPマニュアル

<?php

$ch = curl_init("http://www.example.com/");
$fp = fopen("example_homepage.txt", "w");

curl_setopt($ch, CURLOPT_FILE, $fp);
curl_setopt($ch, CURLOPT_HEADER, 0);

curl_exec($ch);
curl_close($ch);
fclose($fp);
?>

Perl正規表現マッチングに関するPHPマニュアル

<?php
$subject = "abcdef";
$pattern = '/^def/';
preg_match($pattern, $subject, $matches, PREG_OFFSET_CAPTURE, 3);
print_r($matches);
?>

そして、これら2つをまとめる：

<?php 
// create curl resource 
$ch = curl_init(); 

// set url 
curl_setopt($ch, CURLOPT_URL, "example.com"); 

//return the transfer as a string 
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); 

// $output contains the output string 
$output = curl_exec($ch); 

$pattern = '/[<]title[>]([^<]*)[<][\/]titl/i';

preg_match($pattern, $output, $matches);

print_r($matches);

// close curl resource to free up system resources 
curl_close($ch);      
?>

ここにPHPがないので、この例が機能することを約束することはできませんが、始めるのに役立つはずです。

4
Novikov

このためにサードパーティのサービスを使用する場合は、 www.runway7.net/radar

タイトル、説明などを提供します。たとえば、 レーダーの例 を試してください。 （ http://radar.runway7.net/?url=http://www.washingtontimes.com/news/2010/dec/3/debt-panel-fails-test-vote/ ）

2
Sudhir Jonathan

リンクからウェブサイトのタイトルを取得し、タイトルをutf-8文字エンコードに変換します：

https://Gist.github.com/kisexu/b64bc6ab787f302ae838

function getTitle($url)
{
    // get html via url
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_AUTOREFERER, true);
    curl_setopt($ch, CURLOPT_HEADER, 0);
    curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.71 Safari/537.36");
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);
    $html = curl_exec($ch);
    curl_close($ch);

    // get title
    preg_match('/(?<=<title>).+(?=<\/title>)/iU', $html, $match);
    $title = empty($match[0]) ? 'Untitled' : $match[0];
    $title = trim($title);

    // convert title to utf-8 character encoding
    if ($title != 'Untitled') {
        preg_match('/(?<=charset\=).+(?=\")/iU', $html, $match);
        if (!empty($match[0])) {
            $charset = str_replace('"', '', $match[0]);
            $charset = str_replace("'", '', $charset);
            $charset = strtolower( trim($charset) );
            if ($charset != 'utf-8') {
                $title = iconv($charset, 'utf-8', $title);
            }
        }
    }

    return $title;
}
1
Kise Xu

私はそれを処理する関数を書きました：

 function getURLTitle($url){

    $ch = curl_init();

    curl_setopt($ch, CURLOPT_URL, $url);

    curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);

    $content = curl_exec($ch);

    $contentType = curl_getinfo($ch, CURLINFO_CONTENT_TYPE);
    $charset = '';

    if($contentType && preg_match('/\bcharset=(.+)\b/i', $contentType, $matches)){
        $charset = $matches[1];
    }

    curl_close($ch);

    if(strlen($content) > 0 && preg_match('/\<title\b.*\>(.*)\<\/title\>/i', $content, $matches)){
        $title = $matches[1];

        if(!$charset && preg_match_all('/\<meta\b.*\>/i', $content, $matches)){
            //order:
            //http header content-type
            //meta http-equiv content-type
            //meta charset
            foreach($matches as $match){
                $match = strtolower($match);
                if(strpos($match, 'content-type') && preg_match('/\bcharset=(.+)\b/', $match, $ms)){
                    $charset = $ms[1];
                    break;
                }
            }

            if(!$charset){
                //meta charset=utf-8
                //meta charset='utf-8'
                foreach($matches as $match){
                    $match = strtolower($match);
                    if(preg_match('/\bcharset=([\'"])?(.+)\1?/', $match, $ms)){
                        $charset = $ms[1];
                        break;
                    }
                }
            }
        }

        return $charset ? iconv($charset, 'utf-8', $title) : $title;
    }

    return $url;
}

webページのコンテンツを取得し、（（最高の優先度から最低の優先度まで）でドキュメントの文字セットエンコーディングを取得しようとします。

  1. 「Content-Type」フィールドのHTTP「charset」パラメーター。
  2. 「http-equiv」が「Content-Type」に設定され、値が「charset」に設定されたMETA宣言。
  3. 外部リソースを指定する要素に設定されたcharset属性。

（ http://www.w3.org/TR/html4/charset.html を参照）

そして、iconvを使用してタイトルをutf-8エンコードに変換します。

1
xianyu

あるいは、 Simple Html Dom Parser を使用できます。

<?php
require_once('simple_html_dom.php');

$html = file_get_html('http://www.washingtontimes.com/news/2010/dec/3/debt-panel-fails-test-vote/');

echo $html->find('title', 0)->innertext . "<br>\n";

echo $html->find('div[class=entry-content]', 0)->innertext;
1
István Ujj-Mészáros

必要のないときは正規表現を避けようとします。以下のcurlとDOMDocumentでウェブサイトのタイトルを取得する関数を作成しました。

function website_title($url) {
   $ch = curl_init();
   curl_setopt($ch, CURLOPT_URL, $url);
   curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
   // some websites like Facebook need a user agent to be set.
   curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36');
   $html = curl_exec($ch);
   curl_close($ch);

   $dom  = new DOMDocument;
   @$dom->loadHTML($html);

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

echo website_title('https://www.facebook.com/');

上記は以下を返します：Facebookへようこそ-ログイン、サインアップ、または詳細

0
Jake