PHP が Web ページのタイトルを抽出し、無関係な SEO キーワードを削除する_PHP チュートリアル

场景描述:

  过往我们在抽取网页标题的时候，都会直接抽取 之间的内容. 但实际情况是这样,例如javaeye 的一篇文章 http://www.iteye.com/news/21643 ,  的内容为 "10年软件开发教会我最重要的10件事 - 非技术 - ITeye资讯", 但实际引用中我们期望的标题应该为 "10年软件开发教会我最重要的10件事". 所以标题后面堆砌了很多不相关的关键字(应该是为了  seo 吧). 所以我们希望过滤掉这些关键字. 有下面的方法可以参考:

1. 查找 h1 等标签.(分析sina news 一些网站之后, 觉得不可行,会有很多干扰)

2. 从全文去标题后，将 之间的内容切割(按 _ | -)为 a1,a2,a3,a4，然后从最长的词组a3开始从全文查找. 如果查找成功,那么开始向左边迭代查询 a2,a1,直到查询失败为止 。左侧失败后，再继续向右迭代，同理. (这里我采用的是这种方法)

Php代码
/**
* @author pqcc
* @date: 2011-06-18
* 説明: Web ページのコンテンツを指定して、Web ページのタイトルを抽出します。抽出されたタイトルには SEO が含まれません。キーワード。
* 例: /私";  
preg_match($preg, $contents, $matches);  
if(count($matches)<=1){
return "标题抜取失败";  
}
$title = $matches[1];  
return $this->trimTitle($title, $contents);  
}/*}}}*/

function trimMeta($contents){/*{{{*/
// 首先去除 /i";  
$contents = preg_replace($preg, , $contents);  
$preg = "/]*>/i";  
$contents = preg_replace($preg, , $contents);  
$contents を返します。  
}/*}}}*/


// 获取长度最长的項目所处的インデックス。  
function getMaxIndex($titles){/*{{{*/
$maxItemIndex = 0;  
$maxLength = 0;  
$loop = 0;  
foreach($titles as $item){
if(strlen($item)>$maxLength){
$maxLength = strlen($item);  
$maxItemIndex = $loop;  
}
$loop++;  
}
$maxItemIndex を返します。  
}/*}}}***/ $tempTitle = $titles[$maxItemIndex];
$result = $tempTitle;
$count = count($titles)
// 現在のインデックスから左に向かって繰り返します (最初のインデックスに到達するまで、またはマッチングは失敗します）。 [1]。


http://www.bkjia.com/PHPjc/478770.html

www.bkjia.com

tru​​e

http://www.bkjia.com/PHPjc/478770.html

技術記事

シーンの説明: 以前は、Web ページのタイトルを抽出する場合、そのタイトルの間にあるコンテンツを直接抽出していましたが、実際の状況は次のとおりです。たとえば、javaeye http://www.iteye.com の記事です。 /news/2164...