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.