Você pode usar um cURL para isso e então usar o DOMDocument (ou REGEX) para obter os dados da página.
O Facebook utiliza o Open Graph markup, uma vez que muitos websites suportam ele você pode também ler tais dados.
Estou usando como exemplo o
http://g1.globo.com/rj/sul-do-rio-costa-verde/noticia/2017/01/acidente-com-teori-zavascki-aviao-comeca-ser-retirado-do-mar.html
, que é a última noticia do Globo.com neste momento.
Você pode extrair desta página o meta og:image
e o og:title
e também o og:description
. Além disso todos os websites possuem os meta
padrões ou é esperado que se tenha o description
e o title
.
Por exemplo, usando como base uma resposta à outra pergunta:
// Obtem o HTML da página
$ch = curl_init('http://g1.globo.com/rj/sul-do-rio-costa-verde/noticia/2017/01/acidente-com-teori-zavascki-aviao-comeca-ser-retirado-do-mar.html');
curl_setopt_array($ch, [
CURLOPT_FOLLOWLOCATION => true,
CURLOPT_RETURNTRANSFER => true,
CURLOPT_SSL_VERIFYHOST => 2,
CURLOPT_SSL_VERIFYPEER => true,
CURLOPT_PROTOCOLS => CURLPROTO_HTTP | CURLPROTO_HTTPS,
CURLOPT_REDIR_PROTOCOLS => CURLPROTO_HTTP | CURLPROTO_HTTPS,
CURLOPT_TIMEOUT => 5,
CURLOPT_MAXREDIRS => 2
]);
$html = curl_exec($ch);
curl_close($ch);
// Inicia o DOM e XPath:
$DOM = new DOMDocument;
$DOM->loadHTML($html);
$XPath = new DomXPath($DOM);
// Propriedades buscadas
$propriedades = ['description', 'title', 'type', 'image'];
// Verifica cada item da Array:
foreach ($propriedades as $propriedade){
$Meta = $XPath->query('//head//meta[(@property="og:'.$propriedade.'") or (@name="'.$propriedade.'")] | //head//'.$propriedade);
// Se achar o elemento irá obter o resultado
if($Meta->length !== 0){
$conteudo[$propriedade] = $Meta->item(0)->getAttribute('content') !== '' ? $Meta->item(0)->getAttribute('content') : $Meta->item(0)->nodeValue;
}
}
Resultado:
array(4) {
["description"]=>
string(134) "Serviço de remoção aconteceu no início da noite deste domingo (22).
Retirada foi feita por empresa contratada pelo Grupo Emiliano."
["title"]=>
string(73) "Acidente com Teori Zavascki: Avião que caiu em Paraty é retirado do mar"
["type"]=>
string(7) "article"
["image"]=>
string(122) "http://s2.glbimg.com/IAaOKflQpOoOSoi7pGNjkmirtjI=/1200x630/filters:max_age(3600)/s02.video.glbimg.com/deo/vi/65/44/5594465"
}
Com essas informações poderá montar o HTML como desejar.
Explicações:
CURL:
O CURLOPT_FOLLOWLOCATION
é usado para seguir o location:
caso isto seja informado pelo servidor, o CURLOPT_RETURNTRANSFER
é necessário para obter o resultado, já o CURLOPT_SSL_VERIFYHOST
e CURLOPT_SSL_VERIFYPEER
foram desligados para que possa obter a informação mesmo num servidor que possua um certificado self-signed por exemplo. Você pode adicionar também timeout e um máximo de redirecionamento.
XPATH:
É usado para buscar as informações a query:
//head//meta[(@property="og:'.$propriedade.'") or (@name="'.$propriedade.'")] | //head//'.$propriedade
Isto irá fazer com todas as situações abaixo sejam válidas:
<head>
<description>Valor</description>
<meta name="description" content="Valor" />
<meta property="og:description" content="Valor" />
</head>
Para verificar se houve alguma ocorrencia, se realmente existe algum dado, é utilizado:
$Meta->length !== 0
Como o conteúdo pode estar dentro do content
(nos dois últimos exemplos) ou então dentro da própria tag (no primeiro exemplo), foi utilizado:
$conteudo[$propriedade] = $Meta->item(0)->getAttribute('content') !== '' ? $Meta->item(0)->getAttribute('content') : $Meta->item(0)->nodeValue;
Isso irá verificar se existe o atributo content
, na verdade irá verificar se há algum dado nele, se não irá obter o valor do elemento.