Extrait que le texte d'une page web

Information

Cette fonction lit une page HTML sur un site web, et supprime toutes les balises inutiles (et au besoin leur contenu).

Elle retourne uniquement le texte lisible. Bien sur, l'essentiel de la mise en page, et les nouvelles lignes sont préservées. Auteur : Damien Seguy (Nexen)

code source classé dans SEO - Référencement

01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51

                               
                            <?php
/*---------------------------------------------------------------*/
/*
    Titre : Extrait que le texte d'une page web                                                                           
                                                                                                                          
    URL   : https://phpsources.net/code_s.php?id=841
    Date édition     : 14 Fév 2019                                                                                        
    Date mise à jour : 01 Sept 2019                                                                                      
    Rapport de la maj:                                                                                                    
    - fonctionnement du code vérifié                                                                                    
*/
/*---------------------------------------------------------------*/

    function gettextfromurl($url){ 
     $texte = join("", file($url)); 
       
       // suppression des commentaires HTML 
       $texte = preg_replace("/<!--.*?-->/is", "", $texte); 
      
       // suppression des lignes modes windows et Mac. Tout en UNIX 
       $texte = preg_replace("/\r/is", "\n", $texte); 
       
       // quelques balises spéciales 
       $texte = preg_replace("/<SCRIPT[^>]*>.*?<\/script>/is", "", $texte);
       $texte = preg_replace("/<noSCRIPT[^>]*>.*?<\/noscript>/is", "", $texte);
       $texte = preg_replace("/<style[^>]*>.*?<\/style>/is", "", $texte);
       $texte = preg_replace("/<textarea[^>]*>.*?<\/textarea>/is", "", $texte);
      
       // suppression des points multiples 
       $texte = preg_replace("/\.+/is", ".", $texte); 
      
       //remplacement des entites HTML 
       $texte = preg_replace("/&(.)[^;]*;/is", "$1", $texte); 
       
       $texte = preg_replace("/<(br|P)/is", "\n", $texte); 
      
       // suppression de TOUTES les balises restantes 
       $texte = strip_tags($texte); 
      
       // Les caractères multiples sont en trop 
       $texte = preg_replace("/[ \t]+/is", " ", $texte); 
       $texte = preg_replace("/ +\n/is", "\n", $texte); 
       $texte = preg_replace("/\n +/is", "\n", $texte); 
       $texte = preg_replace("/\n+/is", "\n", $texte); 
      

       return $texte; 
    }
?>

Exemple :

01
02
03
04
05
06

                                
                            <?php

     echo gettextfromurl('https://exemple.fr/');
?>

Fonctions du code - Doc officielle PHP

php.net	Description	Versions PHP
echo	Affiche une chaîne de caractères	PHP 4, PHP 5, PHP 7, PHP 8

file	Lit le fichier et renvoie le résultat dans un tableau	PHP 4, PHP 5, PHP 7, PHP 8

join	Alias de implode()	PHP 4, PHP 5, PHP 7, PHP 8

preg_replace	Rechercher et remplacer par expression rationnelle standard	PHP 4, PHP 5, PHP 7, PHP 8

return	Retourne le controle du programme au module appelant.	PHP 4, PHP 5, PHP 7, PHP 8

strip_tags	Supprime les balises HTML et PHP d'une chaîne	PHP 4, PHP 5, PHP 7, PHP 8