php获取网页标题和内容函数(不包含html标签)

            [U]复制代码[/U] 代码如下:
function getPageContent($url) {   
        //$url='http://www.ttphp.com;   
        $pageinfo = array();   
        $pageinfo[content_type] = '';   
        $pageinfo[charset] = '';   
        $pageinfo[title] = '';   
        $pageinfo[description] = '';   
        $pageinfo[keywords] = '';   
        $pageinfo[body] = '';   
        $pageinfo['httpcode'] = 200;   
        $pageinfo['all'] = '';   
        $ch = curl_init();   
        curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0)");   
        curl_setopt($ch, CURLOPT_RETURNTRANSFER,1);   
        curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, 0);   
        curl_setopt($ch, CURLOPT_SSL_VERIFYPEER,0);   
        curl_setopt($ch, CURLOPT_TIMEOUT, 8);   
        curl_setopt($ch, CURLOPT_FILETIME, 1);   
        curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);   
        //curl_setopt($ch, CURLOPT_HEADER, 1);         
        curl_setopt($ch, CURLOPT_URL,$url);   
        $curl_start = microtime(true);   
        $store = curl_exec ($ch);   
        $curl_time = microtime(true) - $curl_start;   
        if( curl_error($ch) ) {   
            $pageinfo['httpcode'] = 505;  //gate way error   
            echo 'Curl error: ' . curl_error($ch) ."/n";   
            return $pageinfo;   
        }   
        //print_r(curl_getinfo($ch));   
        $pageinfo['httpcode'] = curl_getinfo($ch,CURLINFO_HTTP_CODE);   
        //echo curl_getinfo($ch,CURLINFO_CONTENT_TYPE)."/n";   
        $pageinfo[content_type] = curl_getinfo($ch,CURLINFO_CONTENT_TYPE);   
        if(intval($pageinfo['httpcode'])  200 or !preg_match('@text/html@',curl_getinfo($ch,CURLINFO_CONTENT_TYPE) )   ) {   
                //print_r(curl_getinfo($ch) );   
                //exit;   
                return $pageinfo;   
        }   
        preg_match('/charset=([^/s/n/r]+)/i',curl_getinfo($ch,CURLINFO_CONTENT_TYPE),$matches); //从header 里取charset   
        if( trim($matches[1]) ) {   
            $pageinfo[charset] = trim($matches[1]);   
        }   
        //echo $pageinfo[charset];   
        //exit;   
        curl_close ($ch);   
        //echo $store;   
  
        //remove javascript   
        $store = preg_replace("//smUi",'',$store);   
        //remove link   
        $store = preg_replace("/]+>/smUi",'',$store);   
        //remove   
        $store = preg_replace("//smUi",'',$store);   
        //remove   
        $store = preg_replace("/(.*)/smUi",'',$store);   
        //remove 中文空格   
        $store = preg_replace("/　/",'',$store);   
        //remove 标点符号   
        //$store = preg_replace("/[/~`!@#$%^&*()_/-+={}|/[/]//;':"//?/,/.//]/",'',$store);   
           
        //preg_match("/(.*)/smUi",$store, $matches);   
        //$head = $matches[1];   
        //echo $head. "/n";   
        //charset   
        if($pageinfo[charset] == '' ) {  
            preg_match('@]*>@i',$store,$matches);  
            $pageinfo[charset] = trim($matches[1]);  
        }  
        //desctiption  
        preg_match('@]+)/*>@i',$store,$matches);  
        //print_r($matches);  
        $desc = trim($matches[1]);  
        $pageinfo[description] = str_replace("/"", '',$desc);  

        preg_match('@]+)/*>@i',$store,$matches);  
        //print_r($matches);  
        $keywords = trim($matches[1]);  
        $pageinfo[keywords] = str_replace("/"", '',$keywords);  
         
        preg_match("/(.*)/smUi",$store, $matches);  
        $pageinfo[title] = trim($matches[1]);  
        preg_match("/(.*)/smUi",$store, $matches);  
        $pageinfo[body] = addslashes( replaceHtmlAndJs($matches[1]) ) ;  
        $pageinfo['all'] = addslashes( replaceHtmlAndJs($store) ) ;  
        //echo "charset = " . $pageinfo[charset] . "/n";  
        //print_r($pageinfo);  
        //exit;  
         
        return $pageinfo;  
}  
/**  
* 去掉所有的HTML标记和JavaScript标记  
*/  
function replaceHtmlAndJs($document)   
{   
         $document = trim($document);   
         if (strlen($document) ]*?>.*?
// -->'si",  // 去掉 javascript   
                          "']*?>'si",          // 去掉 HTML 标记   
                          "'[/r/n/s+]'",                // 去掉空白字符   
                          "'&(/w+);'i"              // 替换 HTML 实体   
                         );                    // 作为 PHP 代码运行   
         $replace = array ( "", "", "", ""  );   
         return @preg_replace ($search, $replace, $document);   
}  
使用例子
[U]复制代码[/U] 代码如下:
$a = getPageContent(www.ttphp.com);   
print_r($a);
            
            
您可能感兴趣的文章:

PHP html标签正则替换并可自定义正则规则

PHP 修复未正常关闭的HTML标签实现代码(支持嵌套和就近闭合)

PHP实现HTML标签自动补全代码

php使HTML标签自动补全闭合函数代码

php中将html中的br换行符转换为文本输入中的换行符

PHP删除HTMl标签的三种解决方法

php去除HTML标签实例

php 批量替换html标签的实例代码

PHP中HTML标签过滤技巧

php过滤HTML标签、属性等正则表达式汇总

php实现过滤表单提交中html标签的方法

PHP将HTML转换成文本的实现代码

PHP转换文本框内容为HTML格式的方法

php自定义函数转换html标签示例