米扑导航在收集网站、验证网站时，需要采集网页标题(title)、描述(description)、关键字(keywords)等meta信息
本文将其整理出来，总结的经验分享给大家，欢迎交流、斧正、改进。
本文原文转自米扑博客：PHP 获取网页标题(title)、描述(description)、关键字(keywords)等meta信息
1. PHP 内置函数 get_meta_tags
|
1
2
|
$meta_array
= get_meta_tags(
'https://mimvp.com'
);
var_dump(
$meta_array
);
|
运行结果：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
array (size=21)
'description'
=> string
'米扑科技，小而美、简而信，工匠艺术的互联网服务。'
(length=72)
'keywords'
=> string
'米扑科技,米扑,mimvp.com,mimvp,米扑代理,米扑域名,米扑财富,米扑支付,米扑活动,米扑学堂,米扑博客,米扑论坛,小而美,简而信,简单可信赖'
(length=175)
'author'
=> string
'米扑科技'
(length=12)
'version'
=> string
'mimvp-home-1.2'
(length=14)
'copyright'
=> string
'2009-2017 by mimvp.com'
(length=22)
'mimvp-site-verification'
=> string
'I-love-mimvp.com-from-20160912'
(length=30)
'baidu-site-verification'
=> string
'pzH9C12mmf'
(length=10)
'sogou_site_verification'
=> string
'QCi6brPm84'
(length=10)
'360-site-verification'
=> string
'd42818ef57d4f110b6c1fdf268c8cb07'
(length=32)
'shenma-site-verification'
=> string
'f85fa0493059ca7e6b73ad5ae44751ec_1498128383'
(length=43)
'google-site-verification'
=> string
'DSE-4k0kg0zlz8aGyKmZImOoTkpiIreULTsgMwNqJYE'
(length=43)
'baiduspider'
=> string
'index,follow'
(length=12)
'googlebot'
=> string
'index,follow'
(length=12)
'bingbot'
=> string
'index,follow'
(length=12)
'robots'
=> string
'index,follow'
(length=12)
|
get_meta_tags 默认是 utf-8 编码，如果遇到 gbk、gb2312编码，则会出现乱码，
例如，爬取www.qq.com首页，其编码为 gb2312 则出现了乱码：
|
1
2
|
$meta_array
= get_meta_tags(
'http://www.qq.com'
);
var_dump(
$meta_array
);
|
运行结果：
|
1
2
3
4
|
array (size=3)
'baidu-site-verification'
=> string
'cNitg6enc2'
(length=10)
'keywords'
=> string
'��Ѷ,����,�ƾ�,����,��Ƶ,NBA,�Ƽ�,��Ѷ��,��Ѷ,QQ,Tencent'
(length=56)
'description'
=> string
'��Ѷ����2003�괴�������Ѿ���Ϊ��������Ϣ������ֱ���������ữý����Ѷ�Ͳ�ƷΪһ��Ļ�����ý��ƽ̨����Ѷ���������š��Ƽ����ƾ������֡�������������ʱ�еȶ��Ƶ������������û��Բ�ͬ������Ѷ������ͬʱרע��ͬ�������ݣ����쾫Ʒ��Ŀ����˳Ӧ������չ���ƣ��Ƴ�����ֱ���ȴ�����ʽ���ı����û���ȡ��Ѷ�ķ�ʽ��ϰ�ߡ�'
(length=314)
|
解决乱码，方法有二种（其实，方法有很多，这里先介绍两种）
方法1
需加上 header 头编码，正确代码格式如下：
|
1
2
3
|
header(
"content-type:text/html; charset=gb2312"
);
$meta_array
= get_meta_tags(
'http://www.qq.com'
);
var_dump(
$meta_array
);
|
方法2
通用的编码解决方案：
|
1
2
3
|
header(
"content-type:text/html; charset=xxx"
);
$meta_array
= get_meta_tags(
'http://www.qq.com'
);
var_dump(
$meta_array
);
|
注意：charset=xxx 表示让浏览器自动适配正确的编码，不会造成乱码错误，header函数仅在PHP中使用
小结：
PHP 内置函数get_meta_tags 虽然可以获取meta信息，但是也有其缺点
1）可能会出现编码错误、中文乱码，如上 https://mimvp.com（UTF-8） 和 http://www.qq.com（GB2312）
2） meta 获取的信息不全面，例如米扑科技首页（https://mimvp.com）还有 <meta charset="utf-8"> 等meta标签没有包含显示出来
2. 爬取网页，正则匹配
爬取网页内容，然后进行正则匹配
1）爬取网页内容
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
function
get_siteurl_curlinfo(
$url
=
'https://mimvp.com'
,
$timeout
=5,
$conntimeout
=3) {
$ch
= curl_init();
$url_host
=
explode
(
"/"
,
$url
)[2];
$header
=
array
();
array_push
(
$header
,
'User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'
);
array_push
(
$header
,
'Referer:'
.
$url
);
array_push
(
$header
,
'host:'
.
$url_host
);
array_push
(
$header
,
'accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8'
);
array_push
(
$header
,
'upgrade-insecure-requests:1'
);
curl_setopt(
$ch
, CURLOPT_HTTPHEADER,
$header
);
curl_setopt(
$ch
, CURLOPT_AUTOREFERER, 1);
curl_setopt(
$ch
, CURLOPT_FOLLOWLOCATION, 1);
// HTTP 头中的 "Location: "重定向
curl_setopt(
$ch
, CURLOPT_RETURNTRANSFER, 1);
// 字符串返回
curl_setopt(
$ch
, CURLOPT_SSL_VERIFYPEER, FALSE);
// https请求 不验证证书和hosts
curl_setopt(
$ch
, CURLOPT_SSL_VERIFYHOST, FALSE);
curl_setopt(
$ch
, CURLOPT_HEADER, 1);
// 0表示不输出Header，1表示输出
curl_setopt(
$ch
, CURLOPT_NOBODY, 0);
// 0表示不输出Body，1表示输出
curl_setopt(
$ch
, CURLOPT_CONNECTTIMEOUT,
$conntimeout
);
// 尝试连接时等待的秒数。设置为0，则无限等待
curl_setopt(
$ch
, CURLOPT_TIMEOUT,
$timeout
+5);
// 允许 cURL 函数执行的最长秒数
curl_setopt(
$ch
, CURLOPT_URL,
$url
);
$output
= curl_exec(
$ch
);
$curl_info
= curl_getinfo(
$ch
);
curl_close(
$ch
);
$curl_info
[
'page_info'
] = get_page_info(
$output
,
$curl_info
);
return
$curl_info
;
}
|
2）正则匹配
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
|
function
get_page_info(
$output
) {
$page_info
=
array
();
$page_info
[
'site_title'
] =
''
;
$page_info
[
'site_description'
] =
''
;
$page_info
[
'site_keywords'
] =
''
;
$page_info
[
'friend_link_status'
] = 0;
$page_info
[
'site_claim_status'
] = 0;
$page_info
[
'site_home_size'
] = 0;
if
(
empty
(
$output
))
return
$page_info
;
# Keywords
preg_match(
'/<META\s+name=["\']keywords[\'"]\s+content=["\']?([\w\W]*?)["\']/si'
,
$output
,
$matches
);
if
(
empty
(
$matches
[1])) {
preg_match(
'/<META\s+content=["\']([\w\W]*?)["\']\s+name=["\']keywords["\']/si'
,
$output
,
$matches
);
}
if
(
empty
(
$matches
[1])) {
preg_match(
'/<META\s+http-equiv=["\']keywords["\']\s+content=["\']([\w\W]*?)["\']/si'
,
$output
,
$matches
);
}
if
(
empty
(
$matches
[1])) {
preg_match(
'/<META\s+content=["\']keywords["\']\s+http-equiv=["\']([\w\W]*?)["\']/si'
,
$output
,
$matches
);
}
if
(!
empty
(
$matches
[1])) {
$page_info
[
'site_keywords'
] =
$matches
[1];
}
# Description
preg_match(
'/<META\s+name=["\']description["\']\s+content=["\']([\w\W]*?)["\']/si'
,
$output
,
$matches
);
if
(
empty
(
$matches
[1])) {
preg_match(
'/<META\s+content=["\']([\w\W]*?)["\']\s+name=["\']description["\']/si'
,
$output
,
$matches
);
}
if
(
empty
(
$matches
[1])) {
preg_match(
'/<META\s+http-equiv=["\']description["\']\s+content=["\']([\w\W]*?)["\']/si'
,
$output
,
$matches
);
}
if
(
empty
(
$matches
[1])) {
preg_match(
'/<META\s+content=["\']description["\']\s+http-equiv=["\']([\w\W]*?)["\']/si'
,
$output
,
$matches
);
}
if
(!
empty
(
$matches
[1])) {
$page_info
[
'site_description'
] =
$matches
[1];
}
# Title
preg_match(
'/<TITLE>([\w\W]*?)<\/TITLE>/si'
,
$output
,
$matches
);
if
(!
empty
(
$matches
[1])) {
$page_info
[
'site_title'
] =
$matches
[1];
}
# mimvp-site-verification
preg_match(
'/<META\s+name=["\']mimvp-site-verification["\']\s+content=["\']([\w\W]*?)["\']/si'
,
$output
,
$matches
);
preg_match(
'/<META\s+name="mimvp-site-verification"\s+content="([\w\W]*?)"/si'
,
$output
,
$matches
);
if
(
empty
(
$matches
[1])) {
preg_match(
'/<META\s+content=["\']([\w\W]*?)["\']\s+name=["\']mimvp-site-verification["\']/si'
,
$output
,
$matches
);
}
if
(!
empty
(
$matches
[1])) {
$page_info
[
'site_claim_status'
] =
$matches
[1];
}
# mimvp-friend-link
if
(
strstr
(
$output
,
'https://proxy.mimvp.com'
) !=
""
) {
$page_info
[
'friend_link_status'
] = 1;
}
$page_info
[
'site_home_size'
] =
strlen
(
$output
);
return
$page_info
;
}
|
这里，正则匹配的代码在网上也可以找到，但米扑科技对其进行了优化
优化1）兼容单引号、双引号，兼容content前后顺序，兼容 name 和 http-equiv
优化2）不仅匹配keywords和description，还匹配了标题（title）、自定义网站归属认证（mimvp-site-verification）、友情链接检测（friend_link_status）
优化3）统计了正文网页大小，网页打开时间（上面代码没给出，可自己去实现，给出关键代码）
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
// 获取毫秒的时间戳
function
getMillisecond() {
// $microtime = microtime();
// $time = explode(" ", $microtime); // 毫秒 + 秒 0.51026400 1436683760
// $time = $time[1] . ($time[0] * 1000); // 拼接成毫秒， 1436683760510.264
// $time2 = explode(".", $time)[0]; // 取毫秒整数 1436683760510
// $time3 = $time2 / 1000; // 毫秒转成秒 1436683760.51
// $res = sprintf('%01.3f', $time3); // 格式小数秒 1436683760.510
$time
=
explode
(
" "
, microtime());
return
$time
[1] +
$time
[0];
}
// 计算提取结果的耗时
$cost_time_start
= getMillisecond();
echo
"stat cost time"
;
$cost_time
= getMillisecond() -
$cost_time_start
;
$res
[
"cost_time"
] = sprintf(
'%01.6f'
,
$cost_time
);
|
运行结果：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
|
array (size=27)
'url'
=> string
'https://mimvp.com/'
(length=18)
'content_type'
=> string
'text/html; charset=UTF-8'
(length=24)
'http_code'
=> int 200
'header_size'
=> int 254
'request_size'
=> int 320
'filetime'
=> int -1
'ssl_verify_result'
=> int 0
'redirect_count'
=> int 0
'total_time'
=> float 0.072495
'namelookup_time'
=> float 0.015999
'connect_time'
=> float 0.023155
'pretransfer_time'
=> float 0.051711
'size_upload'
=> float 0
'size_download'
=> float 20824
'speed_download'
=> float 287247
'speed_upload'
=> float 0
'download_content_length'
=> float -1
'upload_content_length'
=> float -1
'starttransfer_time'
=> float 0.072301
'redirect_time'
=> float 0
'redirect_url'
=> string
''
(length=0)
'primary_ip'
=> string
'47.95.6.112'
(length=11)
'certinfo'
=>
array (size=0)
empty
'primary_port'
=> int 443
'local_ip'
=> string
'192.168.31.191'
(length=14)
'local_port'
=> int 62474
'page_info'
=>
array (size=6)
'site_title'
=> string
'米扑科技 - 简单可信赖'
(length=30)
'site_description'
=> string
'米扑科技，小而美、简而信，工匠艺术的互联网服务。'
(length=72)
'site_keywords'
=> string
'米扑科技,米扑,mimvp.com,mimvp,米扑代理,米扑域名,米扑财富,米扑支付,米扑活动,米扑学堂,米扑博客,米扑论坛,小而美,简而信,简单可信赖'
(length=175)
'friend_link_status'
=> int 0
'site_claim_status'
=> string
'I-love-mimvp.com-from-20160912'
(length=30)
'site_home_size'
=> int 21078
|
正则匹配，表面看似乎已经满足了需求，不仅匹配了keywords和description，还获得了title、自定义meta、特定友情链接判断等
实际上，这里的正则匹配仍然无法用于项目，因为其内藏的问题还有很多，例如：
|
1
2
3
4
5
6
|
<?php
header(
"content-type:text/html; charset=xxx"
);
$url
=
"https://mimvp.com"
; // 默认 utf-8
$url
=
"http://www.qq.com"
; // 默认 gb2312，需添加 header，否则乱码
$url
=
"https://www.dajie.com"
; // content在前，name在后，匹配错误（从第一个content开始，从最后一个name结束）
|
网页编码、乱码问题，似乎可以用 header 函数来解决，但是 content在前，name在后，匹配错误的问题，却没法解决！
例如，匹配大街网的结果如下（部分）：
|
1
2
3
4
5
6
7
8
9
|
'page_info'
=>
array (size=6)
'site_title'
=> string
'求职找工作 - 人才招聘 - 大街网'
(length=42)
'site_description'
=> string
'大街网是中国职业社交网站的缔造者，帮你找到更好的工作并工作的更好。24000000职业人士在这里创建立体化职业档案，打造职业形象，维系和拓展职业人脉，获取职业洞察。'
(length=230)
'site_keywords'
=> string '大街网是中国职业社交网站的缔造者，帮你找到更好的工作并工作的更好。24000000职业人士在这里创建立体化职业档案，打造职业形象，维系和拓展职业人脉，获取职业洞察。
" name="
description"/>
<meta content="大街网,找工作,招聘,求职,校园招聘,应届生求职,职业档案,找实习,职业形象,职业 档案,中国职业社交网站缔造者。' (length=422)
'friend_link_status'
=> int 0
'site_claim_status'
=> int 0
'site_home_size'
=> int 171181
|
可见，site_keywords 中包含了 <meta content=" 内容，原因看大街网的网页源码
|
1
2
3
4
|
<title>求职找工作 - 人才招聘 - 大街网<
/title
>
<link rel=
"shortcut icon"
href=
"https://assets.dajieimg.com/images/favicon.ico"
/>
<meta content=
"大街网是中国职业社交网站的缔造者，帮你找到更好的工作并工作的更好。24000000职业人士在这里创建立体化职业档案，打造职业形象，维系和拓展职业人脉，获取职业洞察。"
name=
"description"
/>
<meta content=
"大街网,找工作,招聘,求职,校园招聘,应届生求职,职业档案,找实习,职业形象,职业 档案,中国职业社交网站缔造者。"
name=
"keywords"
/>
|
匹配出错的原因，即上文我已经在注释里说明的：content在前，name在后，匹配错误（从第一个content开始，从最后一个name结束）
这里，使用 get_meta_tags('https://www.dajie.com'); 则不会出现上面的问题，但其无法获取标题title等meta信息
有没有更好的方法呢？既能获得正确的meta，又能获得title、自定义meta、特定字符串匹配（如友情链接）等
答案，当然是有的，但是需要自己写代码实现，且比正则匹配、get_meta_tags 的功能更加强大！
3. 改进网页正则匹配
前面的两个方法，并不能完全且完美的满足我们米扑科技的最基本的需求：
需求1） 正确的获取 keywords、description
需求2） 正确的获取 title、自定义meta、检测特定字符串（如友情链接）等
于是，自己动手写了
原理思路：
1）首先，正则匹配，获取全部的meta信息
2）然后，保存每一个meta的key和value到数组（实现了一个自己的get_meta_tags函数）
3）最后，提取 keywords和description
优化的正则匹配代码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
|
function
get_page_info(
$output
,
$curl_info
=
array
()) {
$page_info
=
array
();
$page_info
[
'site_title'
] =
''
;
$page_info
[
'site_description'
] =
''
;
$page_info
[
'site_keywords'
] =
''
;
$page_info
[
'friend_link_status'
] = 0;
$page_info
[
'site_claim_status'
] = 0;
$page_info
[
'site_home_size'
] = 0;
if
(
empty
(
$output
))
return
$page_info
;
// 获取网页编码，把非utf-8网页编码转成utf-8，防止网页出现乱码
$meta_content_type
=
''
;
if
(isset(
$curl_info
[
'content_type'
]) &&
strstr
(
$curl_info
[
'content_type'
],
"charset="
) !=
""
) {
$meta_content_type
=
explode
(
"charset="
,
$curl_info
[
'content_type'
])[1];
}
if
(
$meta_content_type
==
''
) {
preg_match(
'/<META\s+http-equiv="Content-Type"\s+content="([\w\W]*?)"/si'
,
$output
,
$matches
);
// 中文编码，如 http://www.qq.com
if
(
empty
(
$matches
[1])) {
preg_match(
'/<META\s+content="([\w\W]*?)"\s+http-equiv="Content-Type"/si'
,
$output
,
$matches
);
}
if
(
empty
(
$matches
[1])) {
preg_match(
'/<META\s+charset="([\w\W]*?)"/si'
,
$output
,
$matches
);
// 特殊字符编码，如 http://www.500.com
}
if
(!
empty
(
$matches
[1]) &&
strstr
(
$matches
[1],
"charset="
) !=
""
) {
$meta_content_type
=
explode
(
"charset="
,
$matches
[1])[1];
}
}
if
(!in_array(
strtolower
(
$meta_content_type
),
array
(
''
,
'utf-8'
,
'utf8'
))) {
$output
= mb_convert_encoding(
$output
,
"utf-8"
,
$meta_content_type
);
// gbk, gb2312
}
// 若网页仍然有乱码，有乱码则gbk转utf-8
if
(json_encode(
$output
) ==
''
|| json_encode(
$output
) == null) {
$output
= mb_convert_encoding(
$output
,
"utf-8"
,
'gbk'
);
}
$page_info
[
'site_home_size'
] =
strlen
(
$output
);
# Title
preg_match(
'/<TITLE>([\w\W]*?)<\/TITLE>/si'
,
$output
,
$matches
);
if
(!
empty
(
$matches
[1])) {
$page_info
[
'site_title'
] =
$matches
[1];
}
// 正则匹配，获取全部的meta元数据
preg_match_all(
'/<META(.*?)>/si'
,
$output
,
$matches
);
$meta_str_array
=
$matches
[0];
$meta_array
=
array
();
$meta_array
[
'description'
] =
''
;
$meta_array
[
'keywords'
] =
''
;
foreach
(
$meta_str_array
as
$meta_str
) {
preg_match(
'/<META\s+name="([\w\W]*?)"\s+content="([\w\W]*?)"/si'
,
$meta_str
,
$res
);
if
(!
empty
(
$res
))
$meta_array
[
strtolower
(
$res
[1])] =
$res
[2];
preg_match(
'/<META\s+content="([\w\W]*?)"\s+name="([\w\W]*?)"/si'
,
$meta_str
,
$res
);
if
(!
empty
(
$res
))
$meta_array
[
strtolower
(
$res
[2])] =
$res
[1];
preg_match(
'/<META\s+http-equiv="([\w\W]*?)"\s+content="([\w\W]*?)"/si'
,
$meta_str
,
$res
);
if
(!
empty
(
$res
))
$meta_array
[
strtolower
(
$res
[1])] =
$res
[2];
preg_match(
'/<META\s+content="([\w\W]*?)"\s+http-equiv="([\w\W]*?)"/si'
,
$meta_str
,
$res
);
if
(!
empty
(
$res
))
$meta_array
[
strtolower
(
$res
[2])] =
$res
[1];
preg_match(
'/<META\s+scheme="([\w\W]*?)"\s+content="([\w\W]*?)"/si'
,
$meta_str
,
$res
);
if
(!
empty
(
$res
))
$meta_array
[
strtolower
(
$res
[1])] =
$res
[2];
preg_match(
'/<META\s+content="([\w\W]*?)"\s+scheme="([\w\W]*?)"/si'
,
$meta_str
,
$res
);
if
(!
empty
(
$res
))
$meta_array
[
strtolower
(
$res
[2])] =
$res
[1];
}
$page_info
[
'site_keywords'
] =
$meta_array
[
'keywords'
];
$page_info
[
'site_description'
] =
$meta_array
[
'description'
];
$page_info
[
'meta_array'
] =
$meta_array
;
# mimvp-site-verification
preg_match(
'/<META\s+name="mimvp-site-verification"\s+content="([\w\W]*?)"/si'
,
$output
,
$matches
);
if
(
empty
(
$matches
[1])) {
preg_match(
'/<META\s+content="([\w\W]*?)"\s+name="mimvp-site-verification"/si'
,
$output
,
$matches
);
}
if
(!
empty
(
$matches
[1])) {
$page_info
[
'site_claim_status'
] = 1;
}
# mimvp-site-verification
if
(
strstr
(
$output
,
'https://proxy.mimvp.com'
) !=
""
) {
$page_info
[
'friend_link_status'
] = 1;
}
return
$page_info
;
}
|
运行结果，解决方法1 大街网的问题：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
'page_info'
=>
array (size=7)
'site_title'
=> string
'求职找工作 - 人才招聘 - 大街网'
(length=42)
'site_description'
=> string
'大街网是中国职业社交网站的缔造者，帮你找到更好的工作并工作的更好。24000000职业人士在这里创建立体化职业档案，打造职业形象，维系和拓展职业人脉，获取职业洞察。'
(length=230)
'site_keywords'
=> string
'大街网,找工作,招聘,求职,校园招聘,应届生求职,职业档案,找实习,职业形象,职业 档案,中国职业社交网站缔造者。'
(length=149)
'friend_link_status'
=> int 0
'site_claim_status'
=> int 0
'site_home_size'
=> int 171177
'meta_array'
=>
array (size=6)
'description'
=> string
'大街网是中国职业社交网站的缔造者，帮你找到更好的工作并工作的更好。24000000职业人士在这里创建立体化职业档案，打造职业形象，维系和拓展职业人脉，获取职业洞察。'
(length=230)
'keywords'
=> string
'大街网,找工作,招聘,求职,校园招聘,应届生求职,职业档案,找实习,职业形象,职业 档案,中国职业社交网站缔造者。'
(length=149)
'referrer'
=> string
'always'
(length=6)
'content-type'
=> string
'text/html; charset=UTF-8'
(length=24)
'x-ua-compatible'
=> string
'ie=8'
(length=4)
'saoatech-site-verification'
=> string
'N2Y5MzU2M2YyNmVhOTllMGQwYmI4NzAwMTIxYmE2ZDU='
(length=44)
|
一切都在代码里，核心有两个：
1）匹配了所有meta信息，实现了自定义的 get_meta_tags
2）解决网页乱码的问题，否则获取的数据是乱码或为空
正则匹配，基本可以解决一切问题了
但是用正则解决的问题，一般还会考虑有HTMP Parse解析来提取元素 element
4. HTML Dom 解析网页，提取元素内容
方法3 正则解析网页，是一个非常好的方法，这里再附加介绍一种 HTML Dom 解析，替换方法3的正则匹配即可
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
$doc
=
new
DOMDocument();
@
$doc
->loadHTML(
$output
);
// title
$nodes
=
$doc
->getElementsByTagName(
'title'
);
$title
=
$nodes
->item(0)->nodeValue;
// meta
$meta_array
=
array
();
$metas
=
$doc
->getElementsByTagName(
'meta'
);
for
(
$i
= 0;
$i
<
$metas
->length;
$i
++) {
$meta
=
$metas
->item(
$i
);
if
(
$meta
->getAttribute(
'name'
)) {
$meta_array
[
strtolower
(
$meta
->getAttribute(
'name'
))] =
$meta
->getAttribute(
'content'
);
}
if
(
$meta
->getAttribute(
'http-equiv'
)) {
$meta_array
[
strtolower
(
$meta
->getAttribute(
'http-equiv'
))] =
$meta
->getAttribute(
'content'
);
}
if
(
$meta
->getAttribute(
'scheme'
)) {
$meta_array
[
strtolower
(
$meta
->getAttribute(
'scheme'
))] =
$meta
->getAttribute(
'content'
);
}
}
$page_info
[
'site_title'
] =
$title
;
$page_info
[
'site_keywords'
] =
$meta_array
[
'keywords'
];
$page_info
[
'site_description'
] =
$meta_array
[
'description'
];
$page_info
[
'meta_array'
] =
$meta_array
;
|
遇到问题，一般采用方法3 和 方法4，基本可以解决80%的网页抓取问题
此方法4和方法3，能够正常解析网页的前提是网页内容不能有乱码，
解决乱码详见方法1和方法3，深究代码，注释已给出了四种方法
下面给出测试case，供你验证乱码问题：
|
1
2
3
4
5
6
7
|
<?php
header(
"content-type:text/html; charset=xxx"
);
$url
=
"https://mimvp.com"
; // 默认 utf-8
$url
=
"http://www.qq.com"
; // 默认 gb2312，需添加 header，否则乱码
$url
=
"https://www.dajie.com"
; // content在前，name在后，匹配错误（从第一个content开始，从最后一个name结束）
$url
=
"http://dytt8.net"
; // 无法获得网页编码，则用 json_encode(
$output
) ==
''
检测网页乱码
|
定义和用法
<meta> 元素可提供有关页面的元信息（meta-information），比如针对搜索引擎和更新频度的描述和关键词。
<meta> 标签位于文档的头部，不包含任何内容。<meta> 标签的属性定义了与文档相关联的名称/值对。
HTML 与 XHTML 之间的差异
在 HTML 中，<meta> 标签没有结束标签。
在 XHTML 中，<meta> 标签必须被正确地关闭。
提示和注释
注释：<meta> 标签永远位于 head 元素内部。
注释：元数据总是以名称/值的形式被成对传递的。
必需的属性
| 属性 | 值 | 描述 |
|---|---|---|
| content | some_text | 定义与 http-equiv 或 name 属性相关的元信息 |
可选的属性
| 属性 | 值 | 描述 |
|---|---|---|
| http-equiv | content-type expires refresh set-cookie |
把 content 属性关联到 HTTP 头部。 |
| name | author description keywords generator revised others |
把 content 属性关联到一个名称。 |
| scheme | some_text | 定义用于翻译 content 属性值的格式。 |
总结
至此，本文比较详细、全面的总结了PHP获取网页标题(title)、描述(description)、关键字(keywords)等meta信息的多种方法
方法3，米扑科技自己写代码，改进了网页匹配，实现了获取全部meta信息，比PHP内置的 get_meta_tags 函数功能更加强大，也实现了一些自定义需求，基本满足了米扑科技的项目要求。其中，还有一些技术细节处理，需根据项目改进优化，这里就不给出了。
本文分析了抓取网页遇到的多种问题，并给出了一个比较完善的匹配解决方案，
本文基本可解决90%的网页匹配问题，余下的10%问题，在项目中遇到了就去逐步解决
例如，有些网站禁止了curl、wget爬虫，也有的强制需要cookie、referer、host等header参数
解决方案就是 PHP + Selenium + Firefox，通过虚拟浏览器爬取展现网页内容，并抓取其内容再解析，且听下文分解
应用实例
本文PHP匹配抓取网页，应用于米扑科技的项目有米扑导航、米扑代理、米扑博客、米扑域名等
为方便客户，米扑科技提供了对外的API接口：https://site.mimvp.com/api/header.php