php - 如何从任何网页中仅提取主要内容？ (没有页脚、菜单栏、导航栏、页脚、侧边栏、面包屑)

Question

我已经使用这段代码提取了整个正文内容。但我不知道必须删除导航栏、页脚、侧边栏、面包屑。谁能建议我如何完成这项工作？

foreach($dom->getElementsByTagName("body")->item(0)->childNodes as $child) {
$bodycontent .= $dom->saveHTML($child); }

Answer 1

您可以使用诸如可读性之类的东西，它已在多种语言中实现:

• https://github.com/j0k3r/php-readability
• https://pypi.python.org/pypi/readability-lxml