Re: Capturar contenidos de una web

From: Date: Thu, 01 Jan 1970 00:00:00 +0000
Subject: Re: Capturar contenidos de una web
References: 1 2 3 4  Groups: php.general.es 
Request: Send a blank email to general-es+get-43622@lists.php.net to get a copy of this message
JOSE ANTONIO COUCE IGLESIAS wrote:
Quisiera saber si se puede hacer con php una página que busque titulares en otras páginas de internet. Por ejemplo su podría acceder a mediante php a una pagina de un periodico, leerla y estractar los titulares para luego mostrarlos en mi página. Pues a falta de que en este triste pais se generalize la sindicación de contenidos como Alá manda, lo que tú describes es una alternativa viable.
A esta técnica se le denomina 'screen scraping' y se aplica para muchas cosas. En PHP utilizarías por ejemplo Snoopy o HttpClientClass para recuperar el archivo, lo almacenarías localmente y luego lo procesarías. Procesarlo puede significar bien tratarlo con expresiones regulares si se trata de un html patatero o bien aplicarle un parser xml si tienes la suerte de dar con XHTML válido. Aqui un inciso para decir que por lo que comentan las herramientas en Perl como LWP o WWW::Mechanize son mucho más sofisticadas en lo que recuperación de contenidos se refiere. Aunque probablemente te sobre con Snoopy :) Una vez procesado, puedes hacer con el contenido lo que quieras, aunque si te animas yo te rogaría que aprovechases para crear un rss decente y así todos disfrutariamos de los frutos de tu esfuerzo :) Por último, advertirte de los problemas obvios que pueden surgir con derechos de autor, etc... http://www.unixreview.com/documents/s=7822/ur0302h/ http://simon.incutio.com/archive/2003/02/03/mechanizeTheWeb http://snoopy.sourceforge.net/ http://scripts.incutio.com/httpclient/index.php http://cpan.org/modules/by-module/WWW/WWW-Mechanize-0.70.tar.gz Disculpa si está todo un poco por encima pero son las 6:55 de la mañana y acabo de llegar a casa ;) -- Manuel González Noriega Simplelógica, construcción web @ http://simplelogica.net Logicola es el weblog de Simplelógica http://simplelogica.net/logicola/

« previous php.general.es (#43622) next »