本文将其整理出来，总结的经验分享给大家，欢迎交流、斧正、改进。
1. PHP 内置函数 get_meta_tags
$meta_array = get_meta_tags('https://mimvp.com');
var_dump($meta_array);
运行结果：
array (size=21)
'description' => string '米扑科技，小而美、简而信，工匠艺术的互联网服务。' (length=72)
'keywords' => string '米扑科技,米扑,mimvp.com,mimvp,米扑代理,米扑域名,米扑财富,米扑支付,米扑活动,米扑学堂,米扑博客,米扑论坛,小而美,简而信,简单可信赖' (length=175)
'author' => string '米扑科技' (length=12)
'version' => string 'mimvp-home-1.2' (length=14)
'copyright' => string '2009-2017 by mimvp.com' (length=22)
'mimvp-site-verification' => string 'I-love-mimvp.com-from-20160912' (length=30)
'baidu-site-verification' => string 'pzH9C12mmf' (length=10)
'sogou_site_verification' => string 'QCi6brPm84' (length=10)
'360-site-verification' => string 'd42818ef57d4f110b6c1fdf268c8cb07' (length=32)
'shenma-site-verification' => string 'f85fa0493059ca7e6b73ad5ae44751ec_1498128383' (length=43)
'google-site-verification' => string 'DSE-4k0kg0zlz8aGyKmZImOoTkpiIreULTsgMwNqJYE' (length=43)
'baiduspider' => string 'index,follow' (length=12)
'googlebot' => string 'index,follow' (length=12)
'bingbot' => string 'index,follow' (length=12)
'robots' => string 'index,follow' (length=12)
get_meta_tags 默认是 utf-8 编码，如果遇到 gbk、gb2312编码，则会出现乱码，
例如，爬取www.qq.com首页，其编码为 gb2312 则出现了乱码：
$meta_array = get_meta_tags('http://www.qq.com');
var_dump($meta_array);
运行结果：
array (size=3)
'baidu-site-verification' => string 'cNitg6enc2' (length=10)
'keywords' => string '��Ѷ,����,�ƾ�,����,��Ƶ,NBA,�Ƽ�,��Ѷ��,��Ѷ,QQ,Tencent' (length=56)
'description' => string '��Ѷ����2003�괴�������Ѿ���Ϊ��������Ϣ������ֱ���������ữý����Ѷ�Ͳ�ƷΪһ��Ļ�����ý��ƽ̨����Ѷ���������š��Ƽ����ƾ������֡�������������ʱ�еȶ��Ƶ������������û��Բ�ͬ������Ѷ������ͬʱרע��ͬ�������ݣ����쾫Ʒ��Ŀ����˳Ӧ������չ���ƣ��Ƴ�����ֱ���ȴ�����ʽ���ı����û���ȡ��Ѷ�ķ�ʽ��ϰ�ߡ�' (length=314)
解决乱码，方法有二种（其实，方法有很多，这里先介绍两种）
方法1
需加上 header 头编码，正确代码格式如下：
header("content-type:text/html; charset=gb2312");
$meta_array = get_meta_tags('http://www.qq.com');
var_dump($meta_array);
方法2
通用的编码解决方案：
header("content-type:text/html; charset=xxx");
$meta_array = get_meta_tags('http://www.qq.com');
var_dump($meta_array);
注意：charset=xxx 表示让浏览器自动适配正确的编码，不会造成乱码错误，header函数仅在PHP中使用
小结：
PHP 内置函数get_meta_tags 虽然可以获取meta信息，但是也有其缺点
1）可能会出现编码错误、中文乱码，如上 https://mimvp.com（UTF-8） 和 http://www.qq.com（GB2312）
2） meta 获取的信息不全面，例如米扑科技首页（https://mimvp.com）还有 <meta charset="utf-8"> 等meta标签没有包含显示出来
2. 爬取网页，正则匹配
爬取网页内容，然后进行正则匹配
1）爬取网页内容
function get_siteurl_curlinfo($url='https://mimvp.com', $timeout=5, $conntimeout=3) {
$ch = curl_init();
$url_host = explode("/", $url)[2];
$header = array();
array_push($header, 'User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36');
array_push($header, 'Referer:' . $url);
array_push($header, 'host:' . $url_host);
array_push($header, 'accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8');
array_push($header, 'upgrade-insecure-requests:1');
curl_setopt($ch, CURLOPT_HTTPHEADER, $header);
curl_setopt($ch, CURLOPT_AUTOREFERER, 1);
curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1); // HTTP 头中的 "Location: "重定向
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); // 字符串返回
curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, FALSE); // https请求 不验证证书和hosts
curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, FALSE);
curl_setopt($ch, CURLOPT_HEADER, 1); // 0表示不输出Header，1表示输出
curl_setopt($ch, CURLOPT_NOBODY, 0); // 0表示不输出Body，1表示输出
curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $conntimeout); // 尝试连接时等待的秒数。设置为0，则无限等待
curl_setopt($ch, CURLOPT_TIMEOUT, $timeout+5); // 允许 cURL 函数执行的最长秒数
curl_setopt($ch, CURLOPT_URL, $url);
$output = curl_exec($ch);
$curl_info = curl_getinfo($ch);
curl_close($ch);
$curl_info['page_info'] = get_page_info($output, $curl_info);
return $curl_info;
}
2）正则匹配
function get_page_info($output) {
$page_info = array();
$page_info['site_title'] = '';
$page_info['site_description'] = '';
$page_info['site_keywords'] = '';
$page_info['friend_link_status'] = 0;
$page_info['site_claim_status'] = 0;
$page_info['site_home_size'] = 0;
if(empty($output)) return $page_info;
# Keywords
preg_match('/<META\s+name=["\']keywords[\'"]\s+content=["\']?([\w\W]*?)["\']/si', $output, $matches);
if (empty($matches[1])) {
preg_match('/<META\s+content=["\']([\w\W]*?)["\']\s+name=["\']keywords["\']/si', $output, $matches);
}
if (empty($matches[1])) {
preg_match('/<META\s+http-equiv=["\']keywords["\']\s+content=["\']([\w\W]*?)["\']/si', $output, $matches);
}
if (empty($matches[1])) {
preg_match('/<META\s+content=["\']keywords["\']\s+http-equiv=["\']([\w\W]*?)["\']/si', $output, $matches);
}
if (!empty($matches[1])) {
$page_info['site_keywords'] = $matches[1];
}
# Description
preg_match('/<META\s+name=["\']description["\']\s+content=["\']([\w\W]*?)["\']/si', $output, $matches);
if (empty($matches[1])) {
preg_match('/<META\s+content=["\']([\w\W]*?)["\']\s+name=["\']description["\']/si', $output, $matches);
}
if (empty($matches[1])) {
preg_match('/<META\s+http-equiv=["\']description["\']\s+content=["\']([\w\W]*?)["\']/si', $output, $matches);
}
if (empty($matches[1])) {
preg_match('/<META\s+content=["\']description["\']\s+http-equiv=["\']([\w\W]*?)["\']/si', $output, $matches);
}
if (!empty($matches[1])) {
$page_info['site_description'] = $matches[1];
}
# Title
preg_match('/<TITLE>([\w\W]*?)<\/TITLE>/si', $output, $matches);
if (!empty($matches[1])) {
$page_info['site_title'] = $matches[1];
}
# mimvp-site-verification
preg_match('/<META\s+name=["\']mimvp-site-verification["\']\s+content=["\']([\w\W]*?)["\']/si', $output, $matches);
preg_match('/<META\s+name="mimvp-site-verification"\s+content="([\w\W]*?)"/si', $output, $matches);
if (empty($matches[1])) {
preg_match('/<META\s+content=["\']([\w\W]*?)["\']\s+name=["\']mimvp-site-verification["\']/si', $output, $matches);
}
if (!empty($matches[1])) {
$page_info['site_claim_status'] = $matches[1];
}
# mimvp-friend-link
if(strstr($output, 'https://proxy.mimvp.com') != "") {
$page_info['friend_link_status'] = 1;
}
$page_info['site_home_size'] = strlen($output);
return $page_info;
}
这里，正则匹配的代码在网上也可以找到，但米扑科技对其进行了优化
优化1）兼容单引号、双引号，兼容content前后顺序，兼容 name 和 http-equiv
优化2）不仅匹配keywords和description，还匹配了标题（title）、自定义网站归属认证（mimvp-site-verification）、友情链接检测（friend_link_status）
优化3）统计了正文网页大小，网页打开时间（上面代码没给出，可自己去实现，给出关键代码）
// 获取毫秒的时间戳
function getMillisecond() {
// $microtime = microtime();
// $time = explode(" ", $microtime); // 毫秒 + 秒 0.51026400 1436683760
// $time = $time[1] . ($time[0] * 1000); // 拼接成毫秒， 1436683760510.264
// $time2 = explode(".", $time)[0]; // 取毫秒整数 1436683760510
// $time3 = $time2 / 1000; // 毫秒转成秒 1436683760.51
// $res = sprintf('%01.3f', $time3); // 格式小数秒 1436683760.510
$time = explode(" ", microtime());
return $time[1] + $time[0];
}
// 计算提取结果的耗时
$cost_time_start = getMillisecond();
echo "stat cost time";
$cost_time = getMillisecond() - $cost_time_start;
$res["cost_time"] = sprintf('%01.6f', $cost_time);
运行结果：
array (size=27)
'url' => string 'https://mimvp.com/' (length=18)
'content_type' => string 'text/html; charset=UTF-8' (length=24)
'http_code' => int 200
'header_size' => int 254
'request_size' => int 320
'filetime' => int -1
'ssl_verify_result' => int 0
'redirect_count' => int 0
'total_time' => float 0.072495
'namelookup_time' => float 0.015999
'connect_time' => float 0.023155
'pretransfer_time' => float 0.051711
'size_upload' => float 0
'size_download' => float 20824
'speed_download' => float 287247
'speed_upload' => float 0
'download_content_length' => float -1
'upload_content_length' => float -1
'starttransfer_time' => float 0.072301
'redirect_time' => float 0
'redirect_url' => string '' (length=0)
'primary_ip' => string '47.95.6.112' (length=11)
'certinfo' =>
array (size=0)
empty
'primary_port' => int 443
'local_ip' => string '192.168.31.191' (length=14)
'local_port' => int 62474
'page_info' =>
array (size=6)
'site_title' => string '米扑科技 - 简单可信赖' (length=30)
'site_description' => string '米扑科技，小而美、简而信，工匠艺术的互联网服务。' (length=72)
'site_keywords' => string '米扑科技,米扑,mimvp.com,mimvp,米扑代理,米扑域名,米扑财富,米扑支付,米扑活动,米扑学堂,米扑博客,米扑论坛,小而美,简而信,简单可信赖' (length=175)
'friend_link_status' => int 0
'site_claim_status' => string 'I-love-mimvp.com-from-20160912' (length=30)
'site_home_size' => int 21078
正则匹配，表面看似乎已经满足了需求，不仅匹配了keywords和description，还获得了title、自定义meta、特定友情链接判断等
实际上，这里的正则匹配仍然无法用于项目，因为其内藏的问题还有很多，例如：
<?php
header("content-type:text/html; charset=xxx");
$url = "https://mimvp.com"; // 默认 utf-8
$url = "http://www.qq.com"; // 默认 gb2312，需添加 header，否则乱码
$url = "https://www.dajie.com"; // content在前，name在后，匹配错误（从第一个content开始，从最后一个name结束）
网页编码、乱码问题，似乎可以用 header 函数来解决，但是 content在前，name在后，匹配错误的问题，却没法解决！
例如，匹配大街网的结果如下（部分）：
'page_info' =>
array (size=6)
'site_title' => string '求职找工作 - 人才招聘 - 大街网' (length=42)
'site_description' => string '大街网是中国职业社交网站的缔造者，帮你找到更好的工作并工作的更好。24000000职业人士在这里创建立体化职业档案，打造职业形象，维系和拓展职业人脉，获取职业洞察。' (length=230)
'site_keywords' => string '大街网是中国职业社交网站的缔造者，帮你找到更好的工作并工作的更好。24000000职业人士在这里创建立体化职业档案，打造职业形象，维系和拓展职业人脉，获取职业洞察。" name="description"/>
<meta content="大街网,找工作,招聘,求职,校园招聘,应届生求职,职业档案,找实习,职业形象,职业 档案,中国职业社交网站缔造者。' (length=422)
'friend_link_status' => int 0
'site_claim_status' => int 0
'site_home_size' => int 171181
可见，site_keywords 中包含了 <meta content=" 内容，原因看大街网的网页源码
<title>求职找工作 - 人才招聘 - 大街网</title>
<link rel="shortcut icon" href="https://assets.dajieimg.com/images/favicon.ico" />
<meta content="大街网是中国职业社交网站的缔造者，帮你找到更好的工作并工作的更好。24000000职业人士在这里创建立体化职业档案，打造职业形象，维系和拓展职业人脉，获取职业洞察。" name="description"/>
<meta content="大街网,找工作,招聘,求职,校园招聘,应届生求职,职业档案,找实习,职业形象,职业 档案,中国职业社交网站缔造者。" name="keywords"/>
匹配出错的原因，即上文我已经在注释里说明的：content在前，name在后，匹配错误（从第一个content开始，从最后一个name结束）
这里，使用 get_meta_tags('https://www.dajie.com'); 则不会出现上面的问题，但其无法获取标题title等meta信息
有没有更好的方法呢？既能获得正确的meta，又能获得title、自定义meta、特定字符串匹配（如友情链接）等
答案，当然是有的，但是需要自己写代码实现，且比正则匹配、get_meta_tags 的功能更加强大！
3. 改进网页正则匹配
前面的两个方法，并不能完全且完美的满足我们米扑科技的最基本的需求：
需求1） 正确的获取 keywords、description
需求2） 正确的获取 title、自定义meta、检测特定字符串（如友情链接）等
于是，自己动手写了
原理思路：
1）首先，正则匹配，获取全部的meta信息
2）然后，保存每一个meta的key和value到数组（实现了一个自己的get_meta_tags函数）
3）最后，提取 keywords和description
优化的正则匹配代码
function get_page_info($output, $curl_info=array()) {
$page_info = array();
$page_info['site_title'] = '';
$page_info['site_description'] = '';
$page_info['site_keywords'] = '';
$page_info['friend_link_status'] = 0;
$page_info['site_claim_status'] = 0;
$page_info['site_home_size'] = 0;
if(empty($output)) return $page_info;
// 获取网页编码，把非utf-8网页编码转成utf-8，防止网页出现乱码
$meta_content_type = '';
if(isset($curl_info['content_type']) && strstr($curl_info['content_type'], "charset=") != "") {
$meta_content_type = explode("charset=", $curl_info['content_type'])[1];
}
if($meta_content_type == '') {
preg_match('/<META\s+http-equiv="Content-Type"\s+content="([\w\W]*?)"/si', $output, $matches); // 中文编码，如 http://www.qq.com
if (empty($matches[1])) {
preg_match('/<META\s+content="([\w\W]*?)"\s+http-equiv="Content-Type"/si', $output, $matches);
}
if (empty($matches[1])) {
preg_match('/<META\s+charset="([\w\W]*?)"/si', $output, $matches); // 特殊字符编码，如 http://www.500.com
}
if (!empty($matches[1]) && strstr($matches[1], "charset=") != "") {
$meta_content_type = explode("charset=", $matches[1])[1];
}
}
if(!in_array(strtolower($meta_content_type), array('','utf-8','utf8'))) {
$output = mb_convert_encoding($output, "utf-8", $meta_content_type); // gbk, gb2312
}
// 若网页仍然有乱码，有乱码则gbk转utf-8
if(json_encode( $output ) == '' || json_encode( $output ) == null) {
$output = mb_convert_encoding($output, "utf-8", 'gbk');
}
$page_info['site_home_size'] = strlen($output);
# Title
preg_match('/<TITLE>([\w\W]*?)<\/TITLE>/si', $output, $matches);
if (!empty($matches[1])) {
$page_info['site_title'] = $matches[1];
}
// 正则匹配，获取全部的meta元数据
preg_match_all('/<META(.*?)>/si', $output, $matches);
$meta_str_array = $matches[0];
$meta_array = array();
$meta_array['description'] = '';
$meta_array['keywords'] = '';
foreach($meta_str_array as $meta_str) {
preg_match('/<META\s+name="([\w\W]*?)"\s+content="([\w\W]*?)"/si', $meta_str, $res);
if(!empty($res)) $meta_array[strtolower($res[1])] = $res[2];
preg_match('/<META\s+content="([\w\W]*?)"\s+name="([\w\W]*?)"/si', $meta_str, $res);
if(!empty($res)) $meta_array[strtolower($res[2])] = $res[1];
preg_match('/<META\s+http-equiv="([\w\W]*?)"\s+content="([\w\W]*?)"/si', $meta_str, $res);
if(!empty($res)) $meta_array[strtolower($res[1])] = $res[2];
preg_match('/<META\s+content="([\w\W]*?)"\s+http-equiv="([\w\W]*?)"/si', $meta_str, $res);
if(!empty($res)) $meta_array[strtolower($res[2])] = $res[1];
preg_match('/<META\s+scheme="([\w\W]*?)"\s+content="([\w\W]*?)"/si', $meta_str, $res);
if(!empty($res)) $meta_array[strtolower($res[1])] = $res[2];
preg_match('/<META\s+content="([\w\W]*?)"\s+scheme="([\w\W]*?)"/si', $meta_str, $res);
if(!empty($res)) $meta_array[strtolower($res[2])] = $res[1];
}
$page_info['site_keywords'] = $meta_array['keywords'];
$page_info['site_description'] = $meta_array['description'];
$page_info['meta_array'] = $meta_array;
# mimvp-site-verification
preg_match('/<META\s+name="mimvp-site-verification"\s+content="([\w\W]*?)"/si', $output, $matches);
if (empty($matches[1])) {
preg_match('/<META\s+content="([\w\W]*?)"\s+name="mimvp-site-verification"/si', $output, $matches);
}
if (!empty($matches[1])) {
$page_info['site_claim_status'] = 1;
}
# mimvp-site-verification
if(strstr($output, 'https://proxy.mimvp.com') != "") {
$page_info['friend_link_status'] = 1;
}
return $page_info;
}
运行结果，解决方法1 大街网的问题：
'page_info' =>
array (size=7)
'site_title' => string '求职找工作 - 人才招聘 - 大街网' (length=42)
'site_description' => string '大街网是中国职业社交网站的缔造者，帮你找到更好的工作并工作的更好。24000000职业人士在这里创建立体化职业档案，打造职业形象，维系和拓展职业人脉，获取职业洞察。' (length=230)
'site_keywords' => string '大街网,找工作,招聘,求职,校园招聘,应届生求职,职业档案,找实习,职业形象,职业 档案,中国职业社交网站缔造者。' (length=149)
'friend_link_status' => int 0
'site_claim_status' => int 0
'site_home_size' => int 171177
'meta_array' =>
array (size=6)
'description' => string '大街网是中国职业社交网站的缔造者，帮你找到更好的工作并工作的更好。24000000职业人士在这里创建立体化职业档案，打造职业形象，维系和拓展职业人脉，获取职业洞察。' (length=230)
'keywords' => string '大街网,找工作,招聘,求职,校园招聘,应届生求职,职业档案,找实习,职业形象,职业 档案,中国职业社交网站缔造者。' (length=149)
'referrer' => string 'always' (length=6)
'content-type' => string 'text/html; charset=UTF-8' (length=24)
'x-ua-compatible' => string 'ie=8' (length=4)
'saoatech-site-verification' => string 'N2Y5MzU2M2YyNmVhOTllMGQwYmI4NzAwMTIxYmE2ZDU=' (length=44)
一切都在代码里，核心有两个：
1）匹配了所有meta信息，实现了自定义的 get_meta_tags
2）解决网页乱码的问题，否则获取的数据是乱码或为空
正则匹配，基本可以解决一切问题了
但是用正则解决的问题，一般还会考虑有HTMP Parse解析来提取元素 element
4. HTML Dom 解析网页，提取元素内容
方法3 正则解析网页，是一个非常好的方法，这里再附加介绍一种 HTML Dom 解析，替换方法3的正则匹配即可
$doc = new DOMDocument();
@$doc->loadHTML($output);
// title
$nodes = $doc->getElementsByTagName('title');
$title = $nodes->item(0)->nodeValue;
// meta
$meta_array = array();
$metas = $doc->getElementsByTagName('meta');
for ($i = 0; $i < $metas->length; $i++) {
$meta = $metas->item($i);
if($meta->getAttribute('name')) {
$meta_array[strtolower($meta->getAttribute('name'))] = $meta->getAttribute('content');
}
if($meta->getAttribute('http-equiv')) {
$meta_array[strtolower($meta->getAttribute('http-equiv'))] = $meta->getAttribute('content');
}
if($meta->getAttribute('scheme')) {
$meta_array[strtolower($meta->getAttribute('scheme'))] = $meta->getAttribute('content');
}
}
$page_info['site_title'] = $title;
$page_info['site_keywords'] = $meta_array['keywords'];
$page_info['site_description'] = $meta_array['description'];
$page_info['meta_array'] = $meta_array;
遇到问题，一般采用方法3 和 方法4，基本可以解决80%的网页抓取问题
此方法4和方法3，能够正常解析网页的前提是网页内容不能有乱码，
解决乱码详见方法1和方法3，深究代码，注释已给出了四种方法
下面给出测试case，供你验证乱码问题：
<?php
header("content-type:text/html; charset=xxx");
$url = "https://mimvp.com"; // 默认 utf-8
$url = "http://www.qq.com"; // 默认 gb2312，需添加 header，否则乱码
$url = "https://www.dajie.com"; // content在前，name在后，匹配错误（从第一个content开始，从最后一个name结束）
$url = "http://dytt8.net"; // 无法获得网页编码，则用 json_encode( $output ) == '' 检测网页乱码
附上 HTML <meta> 标签
定义和用法
<meta> 元素可提供有关页面的元信息（meta-information），比如针对搜索引擎和更新频度的描述和关键词。
<meta> 标签位于文档的头部，不包含任何内容。<meta> 标签的属性定义了与文档相关联的名称/值对。
HTML 与 XHTML 之间的差异
在 HTML 中，<meta> 标签没有结束标签。
在 XHTML 中，<meta> 标签必须被正确地关闭。
提示和注释
注释：<meta> 标签永远位于 head 元素内部。
注释：元数据总是以名称/值的形式被成对传递的。
必需的属性
属性
值
描述
content some_text 定义与 http-equiv 或 name 属性相关的元信息
可选的属性
属性
值
描述
http-equiv
content-type
expires
refresh
set-cookie
把 content 属性关联到 HTTP 头部。
name
author
description
keywords
generator
revised
others
把 content 属性关联到一个名称。
scheme some_text 定义用于翻译 content 属性值的格式。
总结
至此，本文比较详细、全面的总结了PHP获取网页标题(title)、描述(description)、关键字(keywords)等meta信息的多种方法
方法3，米扑科技自己写代码，改进了网页匹配，实现了获取全部meta信息，比PHP内置的 get_meta_tags 函数功能更加强大，也实现了一些自定义需求，基本满足了米扑科技的项目要求。其中，还有一些技术细节处理，需根据项目改进优化，这里就不给出了。
本文分析了抓取网页遇到的多种问题，并给出了一个比较完善的匹配解决方案，
本文基本可解决90%的网页匹配问题，余下的10%问题，在项目中遇到了就去逐步解决
例如，有些网站禁止了curl、wget爬虫，也有的强制需要cookie、referer、host等header参数
解决方案就是 PHP + Selenium + Firefox，通过虚拟浏览器爬取展现网页内容，并抓取其内容再解析，且听下文分解
应用实例
本文PHP匹配抓取网页，应用于米扑科技的项目有米扑导航、米扑代理、米扑博客、米扑域名等
为方便客户，米扑科技提供了对外的API接口：https://site.mimvp.com/api/header.php
参考推荐：
PHP 正则表达式
PHP 正则表达式过滤常用标签
PHP 正则匹配提取网页内容
PHP 日期加减计算方法示例
PHP 中 json_decode() 和 json_encode() 使用方法
发表评论 取消回复