0

Estou tendo dificuldade para pegar parte de um texto de uma pagina no WikiPedia. Consigo pegar o titulo dessa forma:

$content = 
     file_get_contenst("https://pt.wikipedia.org/wiki/Conserva%C3%A7%C3%A3o_da_natureza");

preg_match("/< title>(.*?)<\/title>/",$content,$title);

O que não estou conseguido é pegar o conteúdo que vai de <div id="content" class="mw-body" role="main"> até <span class="mw-headline" id="Ver_tamb.C3.A9m">Ver também</span>

Não entendo porque não funciona, já tentei de diversas formas.

4
  • faz com explode da um explode na primeira parte dai vc pega o array[1] e depois da um explode ate onde vc quer q pega e pega o array 0 Commented 25/09/2016 às 23:46
  • O problema é que essa expressão não está pegando nenhum conteúdo. Estou começando a achar que o preg_match não consegue pegar conteúdo muito grande, ou então não sei o que está havendo
    – YodaCode
    Commented 27/09/2016 às 15:34
  • Falta colocar na pergunta o trecho do source a ser pego, e explicar as regras para pegar. Da forma como está, não dá para responder com segurança.
    – Largato
    Commented 27/09/2016 às 16:19
  • Não sei as regras para pegar. Como disse o trecho que quero pegar vai de <div id="content" class="mw-body" role="main"> até <span class="mw-headline" id="Ver_tamb.C3.A9m">Ver também</span> a fonte é $content = file_get_contenst("pt.wikipedia.org/wiki/Conserva%C3%A7%C3%A3o_da_natureza");
    – YodaCode
    Commented 28/09/2016 às 0:38

1 Resposta 1

3

Não seria melhor usar DomDocument?

Na minha humilde opinião, qualquer recurso que já exista para resolver um problema, esse deve ser o escolhido. Creio que usar expressões regulares para casos como o seu vai dar muito trabalho.

Então eu recomendo a utilização de DomDocument, que tem como finalidade representar uma entidade HTML ou XML.

Veja um exemplo de como poderia ser feito:

$content = 
 file_get_contents("https://pt.wikipedia.org/wiki/Conserva%C3%A7%C3%A3o_da_natureza")

$doc = new DOMDocument();

@$doc->loadHTML($content);


$titleTag = $doc->getElementsByTagName('title')->item(0);

// Pega o título da página

$title = $titleTag ? $titleTag->nodeValue : null;

// Pega o valor da div#content, porém somente texto

$body = $doc->getElementById('content')->nodeValue;

Observe que o método nodeValue retornará somente o texto, removendo assim todas as tags presentes dentro de #content.

Se for necessário obter o texto com as tags, use o método saveXml para resolver o problema:

 $bodyWithTags = $doc->saveXml($doc->getElementById('content'));

Atualização

Se você deseja uma maneira reutilizável de pegar somente o título da página, você pode criar uma função:

/**
 * Obtém o título da tag <title> de uma url
 * 
 * @param string $url
 * @return string|null
 * */
function  url_get_title($url) {

    $content = file_get_contents($url);

    $doc = new DOMDocument();

    @$doc->loadHTML($content);

    $titleTag = $doc->getElementsByTagName('title')->item(0);

    if ($titleTag) {
        return $titleTag->nodeValue;
    }

    return null;
}

Sendo assim, quando quisesse obter o título da página, bastaria fazer assim:

url_get_title('http://www.google.com.br'); // string (Google)

OBSERVAÇÃO: Sempre que você for usar file_get_contents para capturar o conteúdo de uma url, lembre-se que você sempre é obrigado a informar o esquema da mesma (http ou https). Se não fizer isso, o PHP vai tentar abrir o caminho de um arquivo. Mesmo sendo uma requisição feita para o próprio domínio é necessário incluir o esquema.

11
  • Amigo @wallace-maxters se você pudesse ajudar com este código, seria de grande valia, estou a tempos buscando como ler o title de um site para salvar no banco de dados, só preciso saber como pegar o title e o colocar em uma variável para o salvar, este seu código é bem linpo e bonito mas não consegui fazer funcionar, poderia simplificar e colocar um exemplo quando tiver tempo? muito grato.
    – flourigh
    Commented 26/09/2016 às 15:33
  • o código parcial que tenho é este | $domdocument = new DOMDocument(); @$domdocument -> loadHTMLFile(urldecode($strri_array)); $domxpath = new DOMXPath($domdocument); $title_path = $domxpath -> query("//title") -> item(0) -> nodeValue;
    – flourigh
    Commented 26/09/2016 às 15:43
  • Qual é a dúvida, jovem? Quer usar pegar o título baseado nesse código que está me passando? Commented 26/09/2016 às 15:46
  • quando pús o comentário você atualizou sua resposta, é o que está na sua resposta mesmo que desejo, funcionou muito bem. muito grato, abusando um pouco, se souber pegar informação de pedágio com a matrix do google maps api rsrs
    – flourigh
    Commented 26/09/2016 às 15:48
  • 1
    Tá dando redirecionamento. Leia atentamente o erro que está sendo exibido e tente resolvê-lo. Se não entender sobre o problema, pesquise na internet ou mesmo faça uma pergunta no site. Não há limites para fazer perguntas aqui, desde que elas atendam às regras do site. Commented 26/09/2016 às 15:55

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .