获取PHP中HTML的摘录

我需要得到一个简短的摘录新闻项目写在HTML上显示在我的头版。显然，我不能使用像

substr

这样简单的东西，因为它可能会使标记未关闭，甚至留下半个标记

哪一个更容易：

• 将HTML转换为外观良好的纯文本，并从中获取一部分
• 从HTML开始，在截止处关闭所有未关闭的标记（这看起来总是可以吗？）

---

我该如何实现所选的解决方案呢？

最简单的方法是在截断之前使用

strip_tags（）

从项目文本中剥离所有HTML。

如果保留原始新闻项目的HTML结构很重要，我会选择第二个选项

---

实现这一点的一个简单方法是运行片段以关闭任何未关闭的标记。具体请参见方法。

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，并且始终处于大致相同的结构中。

您好，我想您正在寻找的是所谓的网站抓取。 这里是你如何刮一个网站； 使用库PHP简单HTML DOM解析器下载

最后，这里是如何刮除Slashdot的代码

// 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); 

---

这篇文章摘录到第一段，没有删减文字，并附加了可选的线索

$EXECRPT=self:：节选_段落（$html，180）

/**
*摘自html内容的第一段
* 
**/
公共静态函数摘录_段（$html，$max_char=100，$trail='…'））
{
//用于捕获p标记的临时变量
$matches=array（）；
if（preg_match（'/[^>]+/'，$html，$matches））
{
//发现

$p=带标签（$matches[0]）；
}否则{
$p=带标签（$html）；
}
//缩短而不删减单词
$p=self:：short\u str（$p$max\u char）；
//删除尾随逗号、句号、冒号、分号、“a”、“a”和空格
$p=rtrim（$p，，.；：aA'）；
//如果只是空格或太短，则不返回任何内容
如果（ctype_space（$p）| |$p==''| | strlen（$p）有时最好使用带有组和惰性量词的正则表达式来表示前两段

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

函数摘录自html（$str）{
$re='/（\X*？）\X*？（\X*？）/u'；
预匹配（$re，$str，$matches）；
返回$matches[1]。$matches[2]；
}

或者你可以选择3-4段，根据摘录的长度决定要显示多少段。
现在就用它来自动生成摘录。这不是最好的，但没关系，因为我提供了带有特殊标记的新闻海报来指定他们自己的摘录。在这种情况下不使用它，但仍然很有帮助。这例如，第三种方法是解析HTML。
function excerpt_from_html($str) {
    $re = '/(<p>\X*?<\/p>)\X*?(<p>\X*?<\/p>)/u';
    preg_match($re, $str, $matches);
    return $matches[1] . $matches[2];
}