PHP Scrape 文章摘录，如可读性

Question

我见过this question，但它并不能真正满足我的需求。该问题的答案是：从元描述标签中提取，第二个是为您已经拥有正文的文章生成摘录。

我想要做的实际上是获取一篇文章的前几句话，就像 Readability 一样。什么不是最好的方法？ HTML解析？这是我目前正在使用的，但这不是很可靠。

function guessExcerpt($url) {
    $html = file_get_contents_curl($url);

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

    $metas = $doc->getElementsByTagName('meta');

    for ($i = 0; $i < $metas->length; $i++)
    {
        $meta = $metas->item($i);
        if($meta->getAttribute('name') == 'description')
            $description = $meta->getAttribute('content');

    }

    return $description;
}

function file_get_contents_curl($url) {
    $ch = curl_init();

    curl_setopt($ch, CURLOPT_HEADER, 0);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    curl_setopt($ch, CURLOPT_TIMEOUT, 5);
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);

    $data = curl_exec($ch);
    curl_close($ch);

    return $data;
}

Answer 1

这里是 PHP 可读性的一个端口：https://github.com/andreskrey/readability.php。就试一试吧。提取结果会类似于Readability（因为它实现了Readability的算法）。

require 'lib/Readability.inc.php';

$html = file_get_contents_curl($url);

$Readability     = new Readability($html, $html_input_charset); // default charset is utf-8
$ReadabilityData = $Readability->getContent();

$title   = $ReadabilityData['title'];
$content = $ReadabilityData['content'];

那么你可以使用$content中的一些句子作为摘录。