Re: Capturar contenidos de una web
| From: | Manuel González Noriega | 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/