readability.php：HTML 文本内容提取的利器

readability.php：HTML 文本内容提取的利器

readability.php PHP port of Mozilla's Readability.js 项目地址: https://gitcode.com/gh_mirrors/rea/readability.php

在当今信息爆炸的时代，从繁杂的网页中提取出核心文本内容变得尤为重要。今天，我要向您推荐一个开源项目——readability.php，它可以帮助您轻松实现这一目标。

项目介绍

readability.php 是一个 PHP 端口版本的 Mozilla 的 Readability.js。它通过解析 HTML 文本（通常是新闻和其他文章），返回文章的标题、作者、主要图片和文本内容，同时去除导航栏、广告、页脚或其他非主要内容的部分。该项目的目标是实现与 Mozilla 版本的一对一端口，并紧密跟随其所有更新。

项目技术分析

readability.php 的核心是分析和评分 HTML 节点，根据其中的单词数量、链接类型和元素类型，确定哪些内容是相关的，哪些可以丢弃。它使用了 PHP 的 ext-dom、ext-xml 和 ext-mbstring 扩展，支持 PHP 8.1 及以上版本。项目代码大部分是一对一复制自 JavaScript 版本，并针对 PHP 语言进行了适当调整。

项目及技术应用场景

readability.php 的应用场景广泛，适用于新闻网站、文章聚合器或任何需要从 HTML 页面提取主要内容的场合。以下是几个具体的应用场景：

1. 新闻抓取：自动从新闻网站抓取文章，并提取出干净的内容。
2. 内容聚合：在内容聚合器中，快速提取并展示多个来源的文章内容。
3. 教育工具：为学生提供无干扰的阅读环境，去除网页上的广告和杂乱内容。
4. 文本分析：对大量文本进行内容分析，提取关键信息。

项目特点

以下是 readability.php 的几个显著特点：

1. 纯净的内容提取：自动去除网页上的导航栏、广告和页脚等不必要内容。
2. 灵活配置：提供多种配置选项，如去除特定类型的节点、处理相对 URL 等。
3. 易于集成：通过 Composer 简单安装，并提供清晰的 API 接口。
4. 性能优化：针对 PHP 优化，提供高效的 HTML 解析和内容提取。
5. 安全考虑：虽然不包含内容清洗功能，但推荐与 HTML Purifier 等清洗库配合使用，确保输出内容的安全性。

以下是使用 readability.php 的一个简单示例：

<?php
require __DIR__ . '/vendor/autoload.php';
use fivefilters\Readability\Readability;
use fivefilters\Readability\Configuration;
use fivefilters\Readability\ParseException;

$readability = new Readability(new Configuration());

$html = file_get_contents('https://your.favorite.newspaper/article.html');

try {
    $readability->parse($html);
    echo $readability;
} catch (ParseException $e) {
    echo sprintf('Error processing text: %s', $e->getMessage());
}

在输出中，您可以通过调用相应的属性获取文章的标题、内容、摘要、主要图片等信息。

<h1><?= $readability->getTitle(); ?></h1>
<h2>By <?= $readability->getAuthor(); ?></h2>
<div class="content"><?= $readability->getContent(); ?></div>

总之，readability.php 是一个强大且灵活的 HTML 内容提取工具，无论是对于开发者还是内容创作者，都是一个不可或缺的助手。通过其高效的算法和易于使用的接口，您可以将精力集中在内容创作上，而不是内容提取的繁琐细节上。

readability.php PHP port of Mozilla's Readability.js 项目地址: https://gitcode.com/gh_mirrors/rea/readability.php