php前后截取网页内容

在PHP开发中，截取网页内容通常分为两个环节：先通过 file_get_contents、cURL 或第三方库采集目标页面，再利用 字符串函数、正则表达式 或 DOM解析 从HTML中前后截取所需片段。以下是三种主流实现方式

一、使用 substr 与 strpos 进行前后截取

适用于结构简单、规则明确的页面。先获取网页源码，再用 strpos 定位标记位置，用 substr 按偏移量截取：

<?php
$html = file_get_contents('https://example.com');
$start = '<title>';
$end = '</title>';
$s = strpos($html, $start);
$e = strpos($html, $end, $s);
$title = substr($html, $s + strlen($start), $e - $s - strlen($start));

为避免未找到标记时报错，建议封装为安全函数，在 strpos 返回 false 时提前返回空字符串。若页面编码为UTF-8且涉及中文，substr 可能截断中文字符，应改用 mb_substr 并指定编码。

二、使用 preg_match 正则截取

通过 preg_match 配合子模式捕获，可一次完成定位与提取，代码更简洁：

preg_match('/<title>(.*?)<\/title>/s', $html, $m);
$title = $m[1] ?? '';

其中修饰符 s 表示跨行匹配，适合截取多行内容。截取正文div时可写作 /<div id="content">(.*?)<\/div>/s。若前后标记是定界标识（如 <!--begin--> 与 <!--end-->），用 preg_match('/begin(.*?)end/s') 是最典型的"前后截取"写法。注意正则对嵌套标签无能为力，复杂结构应换用DOM解析。

三、使用 DOMDocument 与 XPath 精准提取

这是处理真实网页最专业稳健的方案，无需关心标签嵌套层级：

$dom = new DOMDocument();
@$dom->loadHTML($html);
$xpath = new DOMXPath($dom);
$node = $xpath->query('//title')->item(0);
$title = $node ? trim($node->textContent) : '';

配合 XPath 表达式 可按id、class、标签路径任意截取，例如 //div[@id="article"] 提取正文，//meta[@name="description"]/@content 提取摘要。加载前用 mb_convert_encoding 转码，可避免GBK页面出现乱码；@符号用于抑制HTML5标签的解析警告。

工程建议：生产环境采集推荐 cURL（支持UA伪装、超时、重定向与HTTPS），而不是直接使用 file_get_contents；调整输出编码统一用 mb_internal_encoding('UTF-8')；维护阶段的站点结构变动频繁，应将截取规则集中配置，便于随时调整前后截取标记或XPath语句。