Obtener y analizar codigo fuente de una web en PHP

[almensilla]

Buenas a todos!
Estoy intentando hacer una funcion en php que me obtenga el codigo fuente de una web q le paso por parametros y despues pueda analizar ese codigo fuente en la misma funcion php y ser capaz de quedarme por ejemplo solo con los titulos de una lista de películas.
Por ejemplo:
Imaginemos que el codigo es asi:

Código:

.
.
.
<h2>Indiana Jones</h2>
<a href=www.hhhhhhw.com>
<h2>Mafalda</h2>
.
.
.

Lo que quiero es poder ejecutar mi funcion y obtener como resultado:
Indiana Jones
Mafalda

Para obtener el codigo fuente utilizo $html=file_get_contents(url) pero a partir de ahí, no se como tratar el $html para hacer lo que os he dicho.

Podríais hecharme una mano???
Muchas gracias!

[abimaelrc]

Podrias usar dom para recoger los elementos y tomar lo que quieras. Busca sobre xpath. Tambien podrias usar expresiones regulares.

[jaao_death]

En principio lo que te recomiendo es que estudies la estructura de la página y si no es muy "engorrosa" separes lo que te sirve, que normalmente está dentro de una tabla o de un div, y así vayas filtrando la información que necesites por ejemplo con dom.

Cuando digo separar es que borres el resto, se puede hacer usando una cadena (larga para diferenciarla de las demás) con el inicio de la tabla, luego buscas su posición con strpos. igual al final, extraes el fragmento (entre inicio y final) y ya tienes menos "basura" para procesar, solo te quedaría sacar la información, lo mejor sería con DOM.

y ahora que lo pienso, puedes también tratar toda la web con DOM, extraer la tabla como DOMElement (Supongo que es una tabla, no lo afirmo) y así ir sacando lo que quieres. (Si no estoy mal, esto es más parecido a lo que dice abimaelrc)

[almensilla]

Muchas gracias! He estado mirando acerca de XPAth y me ha resultado muy interesante ese método, pero no acabo de entenderlo del todo:
Para analizar el codigo:

Código:

<div>
   <ul>
       <h2>Indiana Jones</h2>
       <a href=www.hhhhhhw.com>
       <h2>Mafalda</h2>
   </ul>
</div>

Y obtener solo Indiana Jones y Mafalda, lo he hecho así:

Código:

      $html = file_get_contents('cualkierpagina');
     $dom = new DOMDocument(); // creamos un nuevo documento
      @$dom->loadHTML($html); // cargamos el código html
      // obtenemos todo de la pagina
      $xpath = new DOMXPath($dom);
      $h2s = $xpath->evaluate("//h2");
      for ($i = 0; $i <$h2s->length; $i++) {
             $href = $h2s->item($i);
             echo $href;
      }

Pero esto no me lo muestra por pantalla. Me sale un error. No se si nisiquiera en $href tengo una lista con los 2 nombres (Indiana Jones y Mafalda), y tampoco como visualizarla.

Sabéis qué error estoy cometiendo??

[almensilla]

Ya se como obtener los h2

Código:

$html = file_get_contents('cualkierweb');
      $dom = new DOMDocument(); // creamos un nuevo documento
      @$dom->loadHTML($html); // cargamos el código html
      // obtenemos todo de la pagina
      $xpath = new DOMXPath($dom);
      $hrefs = $xpath->evaluate("//h2");
      for ($i = 0; $i <$hrefs->length; $i++) {
             $href = $hrefs->item($i);
             $res=$href->textContent;
             echo '<b>'.$res.'</b><br>';
      }

Hasta ahí perfecto, lo que pasa esque quiero complicar la cosa, y aqui me veo con muchas lagunas.

Imaginemos que tenemos una lista:

Código:

<ul>
   <h2>Titulo1</h2>
   <li>Algo1</li>
   <li>Algo2</li>
   <h2>Titulo2</h2>
   <li>Algo3</li>
   <li>Algo4</li>
</ul>

Como puedo hacer para obtener:

Titulo1
Algo1
Algo2

Titulo2
Algo3
Algo4

Si en el XPath escribo //ul lo q me devuleve es un string con todo el contenido junto, pero quiero que me lo devuelva separado y saber difernciar cuál es el titulo y cual el contenido. Por ejemplo para poner los titulos en negrita y el contenido dejarlo normal.

Sabriais como se podria hacer eso con XPath??
Muchisimas gracias a todos

[almensilla]

Voy a abrir un nuevo tema ya que ahora mi duda es sobre xPath. Muchas gracias a todos!
http://www.forosdelweb.com/f18/duda-sobre-uso-xpath-906975/