如何使用Composer引入 PHP-Readability 库自动提取网页中的正文内容-composer-PHP中文网

j0k3r/php-readability是fxp/php-readability的现代替代品，修复了PHP 8兼容性、升级Guzzle至v7+、重构DOM解析逻辑，支持PHP 7.4–8.3，需传入完整URL以确保资源路径正确，适用于语义化HTML正文提取。

如何使用composer引入 php-readability 库自动提取网页中的正文内容

PHP-Readability 库已停止维护，官方仓库（fxp/php-readability）自 2019 年起不再更新，且与现代 PHP（8.0+）及主流依赖存在兼容性问题；直接 composer require fxp/php-readability 很可能失败或运行报错。

为什么 `composer require fxp/php-readability` 会失败

该库依赖已废弃的 guzzlehttp/guzzle v6 以下版本、硬编码使用已被移除的 DOMDocument::loadHTML() 错误抑制符（@），且未声明对 PHP 8 的支持。Composer 在解析依赖时会因版本冲突或平台约束直接拒绝安装。

常见错误信息：Root composer.json requires fxp/php-readability ^3.0 -> satisfiable by fxp/php-readability[3.0.0] 后跟一堆 conflict 提示
即使强制指定旧 PHP 版本（如 7.4），也会在运行时报 Call to undefined method DOMDocument::loadHTMLFile()（实际方法名是 loadHTMLFile，但库里写成了 loadHTMLFile 的变体拼写）
其内部使用的 masterminds/html5 v1.x 无法处理现代 HTML5 自闭合标签（如 <img>），导致正文提取错乱

替代方案：改用 actively-maintained `jonnyw/php-webkit-html2pdf` 不可行，应选 `j0k3r/php-readability`

社区已有可靠 fork：由 j0k3r 维护的 j0k3r/php-readability，修复了 PHP 8 兼容性、升级 Guzzle 到 v7+、重构 DOM 解析逻辑，并保持 API 高度兼容原库。这是目前唯一能稳定工作的替代品。

安装命令：composer require j0k3r/php-readability
它自动适配 PHP 7.4–8.3，且不强制要求 ext-dom 开启（fallback 到字符串解析）
初始化方式几乎一致：$readability = new \J0k3r\Readability\Readability($html, $url);
注意：它默认不启用图片提取，需手动调用 ->withImages(true) 才解析 <img> 标签

实际提取正文时必须传入完整 URL，否则图片和相对链接会失效

PHP-Readability 类（无论原版还是 fork）内部会基于传入的 $url 重写页面内所有相对路径（如 src="/images/logo.png" → src="https://example.com/images/logo.png"）。若只传空字符串或 null，则所有资源路径丢失，->getContent() 返回的 HTML 将无法正确渲染。

Workflow Decomposer

工作流任务拆解与模型编排技能。使用场景：(1) 收到复杂工作任务需要拆解为可执行步骤，(2) 需要为不同步骤选择最合适的模型，(3) 需要跟踪工作流进度和模型使用情况，(4) 长时间任务卡住需要问题诊断和解决方案。

下载

正确做法：$readability = new \J0k3r\Readability\Readability($html, 'https://example.com/article/123');
若原始 HTML 来自 cURL，务必把请求 URL 一并传入，不要用 http://localhost 或占位符代替
遇到 404 页面或 JS 渲染页，先用 file_get_contents() 或 Guzzle 获取完整 HTML 字符串，再传入 —— 它不做网络请求，只做解析

提取结果为空？检查 HTML 是否含有效和语义化结构

该库依赖 HTML 的结构特征（如 <article></article>、<section></section>、高密度文本的 <p></p> 块）进行权重打分。纯 div 布局、大量 inline-style、或被 JavaScript 动态注入内容的页面，大概率返回空或片段。

调试技巧：先用 $readability->getOriginalDom()->saveHTML() 看是否成功加载 DOM（若返回空，说明 HTML 解析失败）
若 DOM 加载正常但 ->getContent() 为空，尝试调用 ->getByline() 或 ->getTitle() —— 这些字段有时比正文更稳定
对 SPA 页面，必须在服务端预渲染（如 Puppeteer + PHP bridge），不能直接喂给 php-readability

真正卡住的地方往往不是 Composer 命令本身，而是 HTML 源质量、URL 上下文缺失、或对库能力边界的误判 —— 它不是万能网页快照工具，而是针对「传统 CMS 输出的语义化 HTML」优化的正文抽取器。