我有一个网页，其中包含来自维基百科的精选文章的所有链接，并且我提取了所有这些文章的标题、描述和关键字。但是我有一个问题，当网络爬虫开始提取文章的内容时，我的数据库中的字段描述保持为空，关键字显示“数组数组数组”。
如何提取维基百科文章的描述和关键字？
网络爬虫是用 php 和 mysql 编写的，这是实际代码：
<?php
error_reporting(E_ALL | E_STRICT);
set_time_limit(0);
$server_link = mysql_connect("localhost", "root", "");
if (!$server_link) {
die("Falló la Conexión " . mysql_error());
}
$db_selected = mysql_select_db("test", $server_link);
if (!$db_selected) {
die("No se pudo seleccionar la Base de Datos " . mysql_error());
}
@mysql_query("SET NAMES 'utf8'");
function storeLink($titulo, $descripcion, $url, $keywords) {
$query = "INSERT INTO webs (webTitulo, webDescripcion, weburl, webkeywords) VALUES ('$titulo', '$descripcion', '$url', '$keywords')";
mysql_query($query) or die('Error, falló la inserción de datos');
}
function extraer($url, $prof, $patron) {
$userAgent = 'Interredu';
$ch = curl_init();
curl_setopt($ch, CURLOPT_USERAGENT, $userAgent);
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_HTTPHEADER, array(("Accept-Language: es-es,en")));
curl_setopt($ch, CURLOPT_FAILONERROR, true);
curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);
curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, FALSE);
curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, FALSE);
curl_setopt($ch, CURLOPT_MAXREDIRS, 2);
curl_setopt($ch, CURLOPT_AUTOREFERER, true);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
$html = curl_exec($ch);
// La salvo de Entrada, para que no se me corra en la entrada a la base de datos
saveUrl($url, $prof, $patron, $html);
// Mando error pero no corto porque si una url esta mal formada termina con la
// ejecucion
if (!$html) {
echo "<br />cURL error number:" . curl_errno($ch);
echo "<br />cURL error:" . curl_error($ch);
}
$dom = new DOMDocument();
$dom->loadHTML($html);
$xpath = new DOMXPath($dom);
$hrefs = $xpath->evaluate("/html/body//a");
for ($i = 0;$i < $hrefs->length;++$i) {
$href = $hrefs->item($i);
$url2 = $href->getAttribute('href');
$var = strstr($url2, '#', true);
if ($var !== false) {
$url2 = $var;
}
// Me aseguro que este bajo nuestro sitio.
if (strpos($url2, $patron) === false) {
continue;
}
// Me aseguro que ya no este ingresada, para no iterar sobre ella misam
if ($url2 != $url && $url2 != '') {
// Se podria agregar un campo timestap para luego reescanera paginas
// que tuvieran una fecha menor.
// URL Unica para que falle y como es mysql poner INSERT INTO ...... ON DUPLICATE KEY ... en la funcion de guardado
$busqueda = mysql_query("SELECT weburl FROM webs WHERE weburl='$url2'");
$cantidad = mysql_num_rows($busqueda);
if (150 >= $prof && 0 == $cantidad) {
extraer($url2, ++$prof, $patron);
}
}
}
}
function saveUrl($url, $prof, $patron, $html) {
$retorno = false;
$pos = strpos($url, $patron);
if ($prof >= 1) {
preg_match_all("(<title>(.*)<\/title>)siU", $html, $title);
$metas = get_meta_tags($url, 1);
$title = $title[1][0];
$titulo = html_entity_decode($title, ENT_QUOTES, 'UTF-8');
$descripcion = isset($metas["description"])?$metas["description"] : '';
$keywords = isset($metas["keywords"])?$metas["keywords"] : '';
if (empty($descripcion)){
obtenerMetaDescription($html);
}
if (empty($keywords)){
preg_match_all("#<\s*h1[^>]*>[^<]+</h1>#is", $html, $encabezado);
preg_match_all("#<\s*b[^>]*>[^<]+</b>#is", $html, $negrita);
preg_match_all("#<\s*i[^>]*>[^<]+</i>#is", $html, $italica);
if(!empty($encabezado)){
$h1 = $encabezado[0];
}
if(!empty($negrita)){
$bold = $negrita[0];
}
if(!empty($italica)){
$italic = $italica[0];
}
$keys .= $bold;
$keys .= " ";
$keys .= $h1;
$keys .= " ";
$keys .= $italic;
$keywords = substr(strip_tags($keys), 0, 200);
}
storeLink($titulo, $descripcion, $url, $keywords, $prof);
$retorno = true;
}
return $retorno;
}
function obtenerMetaDescription($html) {
preg_match_all('#<p>(.*)</p>#Us', $html, $parraf);
if(!empty($parraf)){
$descripcion = substr(strip_tags($parraf[1][0]), 0, 200);
}
}
$url = "http://www.mywebsite.with.articlesofwikipedia";
$patron = "http://es.wikipedia.org/wiki/";
$prof = 150;
libxml_use_internal_errors(true);
extraer($url, 1, $patron);
$errores = libxml_get_errors();
libxml_clear_errors();
mysql_close();
?>