如何在PHP中从公开HTML页面提取与标题相关的特定正文文本？

一、针对当前测试页面的快速改进方法 #

你当前的代码会抓取所有<p>标签，自然包含广告、侧边栏等无关内容。针对给定的测试页面，正文内容集中在class="entry-content"的容器内，只需先定位该容器再提取段落即可过滤大部分无关内容：

include('simple_html_dom.php');

$html = file_get_html("https://bengalmirrorthinkpositive.com/2023/01/05/vande-bharat-train-%E0%A4%AA%E0%A4%B0-%E0%A4%AC%E0%A4%82%E0%A4%97%E0%A4%BE%E0%A4%B2-%E0%A4%AE%E0%A5%87%E0%A4%82-%E0%A4%A8%E0%A4%B9%E0%A5%80%E0%A4%82-%E0%A4%B9%E0%A5%81%E0%A4%86/");

if($html){
    // 定位正文所在的容器
    $contentContainer = $html->find('.entry-content', 0);
    if($contentContainer){
        foreach($contentContainer->find('p') as $element){
            $text = trim($element->plaintext);
            // 过滤短文本（排除无关的小广告、提示语）
            if(strlen($text) > 20){
                echo $text.'<br>';
            }
        }
    }
}

二、通用区分无关内容与主正文的策略 #

1. 定位专属容器：绝大多数新闻、博客类网站会将正文放在固定标识的容器中，常见的class/id名称有entry-content、post-body、article-content、main-content等，优先抓取这类容器内的内容。
2. 过滤特征元素：广告、表单、侧边栏等无关内容通常带有特定的class（如ad、widget、sidebar、form-wrap），可以通过排除这些容器内的元素来过滤。
3. 文本长度筛选：正文段落一般有足够的长度，可设置阈值（如20-30字符），过滤掉过短的文本段落。
4. 关键词匹配：提取页面标题的核心关键词，保留包含这些关键词的段落，进一步缩小范围。

三、更适用的PHP爬虫/正文提取库 #

1. Readability PHP：基于Mozilla Readability算法开发，专门用于提取网页主内容，能自动识别并过滤广告、导航、表单等无关元素，无需手动定位容器，适配绝大多数网站。
2. PHPQuery：语法类似jQuery，支持更灵活的DOM选择和过滤操作，适合需要精细控制元素提取的场景。
3. Goutte：基于Symfony组件的爬虫库，支持Cookie管理、表单提交等复杂操作，结合CSS选择器可精准定位正文内容。

Readability PHP 使用示例 #

use Readability\Readability;

require 'vendor/autoload.php';

$url = "https://bengalmirrorthinkpositive.com/2023/01/05/vande-bharat-train-%E0%A4%AA%E0%A4%B0-%E0%A4%AC%E0%A4%82%E0%A4%97%E0%A4%BE%E0%A4%B2-%E0%A4%AE%E0%A5%87%E0%A4%82-%E0%A4%A8%E0%A4%B9%E0%A5%80%E0%A4%82-%E0%A4%B9%E0%A5%81%E0%A4%86/";
$html = file_get_contents($url);

$readability = new Readability($html, $url);
if($readability->init()){
    echo '标题：' . $readability->getTitle() . '<br>';
    echo '正文：' . $readability->getContent();
} else {
    echo '正文提取失败';
}

内容的提问来源于stack exchange，提问作者user21048048