php - name - seo meta tags

Obtener el título del sitio web a través del enlace

Question

Observe cómo Google News tiene fuentes en la parte inferior de cada extracto del artículo.

The Guardian - Noticias de ABC - Reuters - Bloomberg

Estoy tratando de imitar eso.

Por ejemplo, al enviar la URL http://www.washingtontimes.com/news/2010/dec/3/debt-panel-fails-test-vote/ Quiero volver The Washington Times

¿Cómo es esto posible con php?

Answer 1

Alternativamente, puede usar Simple Html Dom Parser :

<?php
require_once(''simple_html_dom.php'');
$html = file_get_html(''http://www.washingtontimes.com/news/2010/dec/3/debt-panel-fails-test-vote/'');
echo $html->find(''title'', 0)->innertext . "<br>/n";
echo $html->find(''div[class=entry-content]'', 0)->innertext;

Answer 2

Intento evitar las expresiones regulares cuando no es necesario, he creado una función para obtener el título del sitio web con curl y DOMDocument a continuación.

function website_title($url) {
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
// some websites like Facebook need a user agent to be set.
curl_setopt($ch, CURLOPT_USERAGENT, ''Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36'');
$html = curl_exec($ch);
curl_close($ch);
$dom = new DOMDocument;
@$dom->loadHTML($html);
$title = $dom->getElementsByTagName(''title'')->item(''0'')->nodeValue;
return $title;
}
echo website_title(''https://www.facebook.com/'');

Más arriba se muestra lo siguiente: Bienvenido a Facebook: inicie sesión, regístrese o aprenda más.

Answer 3

Mi respuesta se expande en la respuesta de @AI W al usar el título de la página. A continuación está el código para lograr lo que dijo.

<?php
function get_title($url){
$str = file_get_contents($url);
if(strlen($str)>0){
$str = trim(preg_replace(''//s+/'', '' '', $str)); // supports line breaks inside <title>
preg_match("//<title/>(.*)/<//title/>/i",$str,$title); // ignore case
return $title[1];
}
}
//Example:
echo get_title("http://www.washingtontimes.com/");
?>

SALIDA

Washington Times - Política, noticias de última hora, EE. UU. Y noticias mundiales

Como puede ver, no es exactamente lo que Google está usando, así que esto me lleva a creer que obtienen el nombre de host de una URL y lo asocian a su propia lista.

http://www.washingtontimes.com/ => The Washington Times

Answer 4

Obtenga el título del sitio web a través del enlace y convierta el título a la codificación de caracteres utf-8:

https://gist.github.com/kisexu/b64bc6ab787f302ae838

function getTitle($url)
{
// get html via url
$ch = curl_init();
curl_setopt($ch, CURLOPT_AUTOREFERER, true);
curl_setopt($ch, CURLOPT_HEADER, 0);
curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.71 Safari/537.36");
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);
$html = curl_exec($ch);
curl_close($ch);
// get title
preg_match(''/(?<=<title>).+(?=<//title>)/iU'', $html, $match);
$title = empty($match[0]) ? ''Untitled'' : $match[0];
$title = trim($title);
// convert title to utf-8 character encoding
if ($title != ''Untitled'') {
preg_match(''/(?<=charset/=).+(?=/")/iU'', $html, $match);
if (!empty($match[0])) {
$charset = str_replace(''"'', '''', $match[0]);
$charset = str_replace("''", '''', $charset);
$charset = strtolower( trim($charset) );
if ($charset != ''utf-8'') {
$title = iconv($charset, ''utf-8'', $title);
}
}
}
return $title;
}

Answer 5

Puede buscar los contenidos de la URL y hacer una búsqueda de expresiones regulares para el contenido del elemento de title .

<?php
$urlContents = file_get_contents("http://example.com/");
preg_match("/<title>(.*)<//title>/i", $urlContents, $matches);
print($matches[1] . "/n"); // "Example Web Page"
?>

O bien, si no desea usar una expresión regular (para hacer coincidir algo muy cerca de la parte superior del documento), podría usar un objeto DOMDocument :

<?php
$urlContents = file_get_contents("http://example.com/");
$dom = new DOMDocument();
@$dom->loadHTML($urlContents);
$title = $dom->getElementsByTagName(''title'');
print($title->item(0)->nodeValue . "/n"); // "Example Web Page"
?>

Dejo en tus manos decidir qué método te gusta más.

Answer 6

Si está dispuesto a utilizar un servicio de terceros para esto, acabo de www.runway7.net/radar uno en www.runway7.net/radar

Te da título, descripción y mucho más. Por ejemplo, prueba tu ejemplo en Radar . ( http://radar.runway7.net/?url=http://www.washingtontimes.com/news/2010/dec/3/debt-panel-fails-test-vote/ )

Answer 7

Usando get_meta_tags () desde la página de inicio del dominio, NYT recupera algo que podría necesitar truncamiento, pero podría ser útil.

$b = "http://www.washingtontimes.com/news/2010/dec/3/debt-panel-fails-test-vote/" ;
$url = parse_url( $b ) ;
$tags = get_meta_tags( $url[''scheme''].''://''.$url[''host''] );
var_dump( $tags );

incluye la descripción ''The Washington Times ofrece noticias de última hora y comentarios sobre los problemas que afectan el futuro de nuestra nación''.

Answer 8

escribí una función para manejarlo:

 function getURLTitle($url){
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
$content = curl_exec($ch);
$contentType = curl_getinfo($ch, CURLINFO_CONTENT_TYPE);
$charset = '''';
if($contentType && preg_match(''//bcharset=(.+)/b/i'', $contentType, $matches)){
$charset = $matches[1];
}
curl_close($ch);
if(strlen($content) > 0 && preg_match(''//<title/b.*/>(.*)/<//title/>/i'', $content, $matches)){
$title = $matches[1];
if(!$charset && preg_match_all(''//<meta/b.*/>/i'', $content, $matches)){
//order:
//http header content-type
//meta http-equiv content-type
//meta charset
foreach($matches as $match){
$match = strtolower($match);
if(strpos($match, ''content-type'') && preg_match(''//bcharset=(.+)/b/'', $match, $ms)){
$charset = $ms[1];
break;
}
}
if(!$charset){
//meta charset=utf-8
//meta charset=''utf-8''
foreach($matches as $match){
$match = strtolower($match);
if(preg_match(''//bcharset=([/'"])?(.+)/1?/'', $match, $ms)){
$charset = $ms[1];
break;
}
}
}
}
return $charset ? iconv($charset, ''utf-8'', $title) : $title;
}
return $url;
}

recupera el contenido de la página web e intenta obtener la codificación del conjunto de caracteres del documento por (de la prioridad más alta a la más baja):

1. Un parámetro HTTP "charset" en un campo "Content-Type".
2. Una declaración META con "http-equiv" establecido en "Content-Type" y un valor establecido para "charset".
3. El atributo charset establecido en un elemento que designa un recurso externo.

(ver http://www.w3.org/TR/html4/charset.html )

y luego usa iconv para convertir el título a codificación utf-8 .

Answer 9

Manual de PHP en cURL

<?php
$ch = curl_init("http://www.example.com/");
$fp = fopen("example_homepage.txt", "w");
curl_setopt($ch, CURLOPT_FILE, $fp);
curl_setopt($ch, CURLOPT_HEADER, 0);
curl_exec($ch);
curl_close($ch);
fclose($fp);
?>

Manual de PHP sobre coincidencia de expresiones regulares de Perl

<?php
$subject = "abcdef";
$pattern = ''/^def/'';
preg_match($pattern, $subject, $matches, PREG_OFFSET_CAPTURE, 3);
print_r($matches);
?>

Y uniendo esos dos:

<?php
// create curl resource
$ch = curl_init();
// set url
curl_setopt($ch, CURLOPT_URL, "example.com");
//return the transfer as a string
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
// $output contains the output string
$output = curl_exec($ch);
$pattern = ''/[<]title[>]([^<]*)[<][//]titl/i'';
preg_match($pattern, $output, $matches);
print_r($matches);
// close curl resource to free up system resources
curl_close($ch);
?>

No puedo prometer que este ejemplo funcionará, ya que no tengo PHP aquí, pero debería ayudarlo a comenzar.

Answer 10

$doc = new DOMDocument();
@$doc->loadHTMLFile(''http://www.washingtontimes.com/news/2010/dec/3/debt-panel-fails-test-vote/'');
$xpath = new DOMXPath($doc);
echo $xpath->query(''//title'')->item(0)->nodeValue."/n";

Salida:

La comisión de la deuda se queda corta en el voto de prueba - Washington Times

Obviamente, también debe implementar el manejo básico de errores.