PHP 抽取网页题目并剔除不相关的seo关键字

PHP 抽取网页标题并剔除不相关的seo关键字
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 /** * @author pqcc <[email&#160;protected]> * @date: 2011-06-18 * Description: 给定一个网页内容，提取网页的标题. 提取的标题不包括 seo 关键字. * e.g: 一篇新闻标题的从<title>直接抽取结果为 "大学英语四六级本周六开考 909万人参考_新浪教育_新浪网", *       但我们希望的结果是:"大学英语四六级本周六开考 909万人参考". * 适用范围:  文章最终页标题的提取, 不包括专题页等. */class TitlePurify{    private $matches_preg = '[-_\s|—]';    function getTitle($contents){/*{{{*/        $preg = "/<title>]*>([\w|\t|\r|\W]*?)/i";        preg_match($preg, $contents, $matches);        if(count($matches)trimTitle($title, $contents);    }/*}}}*/    function trimMeta($contents){/*{{{*/        // 首先去除 <title> 内容, <meta> 内容.        $preg       = "/<title>]*>([\w|\t|\r|\W]*?)/i";        $contents   = preg_replace($preg, '', $contents);        $preg       = "/<meta>]*>/i";        $contents   = preg_replace($preg, '', $contents);        return $contents;    }/*}}}*/    // 获取长度最长的 item?所处的index.    function getMaxIndex($titles){/*{{{*/        $maxItemIndex   = 0;        $maxLength      = 0;        $loop           = 0;        foreach($titles as $item){            if(strlen($item)>$maxLength){                $maxLength      = strlen($item);                $maxItemIndex   = $loop;            }                    $loop++;        }        return $maxItemIndex;    }/*}}}*/    function trim($title, $titles, $contents, $maxItemIndex){/*{{{*/        [email protected] : 此处可优化contents        // 如果查找成功. result = tempTitle.         $tempTitle  = $titles[$maxItemIndex];        $result     = $tempTitle;        $count      = count($titles);        // while 从当前index 向左进行迭代(直到到达第一个或者匹配失败才中止).        $leftIndex  = $maxItemIndex-1;        while(true && $leftIndex>=0){            // tempTitle+左一个.            preg_match("/({$this->matches_preg}+{$tempTitle})/i", $title, $matches);            if(count($matches)>1){                // temp 用于匹配失败后,进行回滚.                $temp       = $titles[$leftIndex] . $matches[1];                $tempTitle  = $titles[$leftIndex] . $matches[1];                // 继续拿着 tempTitle 去匹配.                preg_match("/$tempTitle/i", $contents, $matches);                // 如果查找失败....                if(count($matches)matches_preg}+)/i", $title, $matches);            if(count($matches)>1){                // temp 用于匹配失败后,进行回滚.                $temp       =  $matches[1] . $titles[$rightIndex];                $tempTitle  =  $matches[1] . $titles[$rightIndex];                // 继续拿着 tempTitle 去匹配.                preg_match("/$tempTitle/i", $contents, $matches);                // 如果查找失败....                if(count($matches)trimMeta($contents);            // 配置切割标题的规则.        $titles = preg_split("/$this->matches_preg/i", $title);        $count          = count($titles);        //var_dump($titles);exit;        // 将当前最长的 item 从全文查找.        $maxItemIndex = $this->getMaxIndex($titles);        $tempTitle   = $titles[$maxItemIndex];        preg_match("/$tempTitle/i", $contents, $matches);        // 如果查找失败....        if(count($matches)trim($title, $titles, $contents, $maxItemIndex);    }/*}}}*/}// -------------   test code ------------------------------function convertEncoding($contents){    preg_match("/charset=([\w|\-]+);?/i", $contents, $match);    $charset = isset($match[1])? $match[1] : 'UTF-8';    $contents = mb_convert_encoding($contents, 'UTF-8', $charset);    return $contents;}$url = 'http://china.nba.com/news/4/2011/0617/61383331/10451.html';$contents = file_get_contents($url);$contents = convertEncoding($contents);$startTime  = microtime();$purify     = new TitlePurify();$title      = $purify->getTitle($contents);$endTime    = microtime();echo "标题:        $title ";echo "cost: " . ($endTime-$startTime);?></title>
</title>
</title>
</title>