解析php利用正则表达式解决采集内容排版的问题_php技巧

做采集经常遇到的问题是内容排版问题，用了一些时间写了个用正则替换html标签和样式的函数，共享下。

/**<BR> * 格式化内容<BR> * @param string $content 内容最好统一用utf-8编码<BR> * @return string<BR> * !本函数需要开启tidy扩展<BR> */<BR>function removeFormat($content) {<BR> $replaces = array (<BR>   "/<font>/i" => '',<BR>   "/<\/font>/i" => '',<BR>   "/<strong>/i" => '',<BR>   "/<\/strong>/i" => '',<BR>   "/<span>/i" => '',<BR>   "/<\/span>/i" => '',<BR>   "/<div>/i" => "<p>",<BR>   "/<\/div>/i" => "</p>",<BR>   "/<!---ecms -ecms *-->/i"=>'',<BR>   /* "/<table>/i" => '',//遇到有表格的内容就不要启用<BR>   "/<\/table>/i" => '',<BR>   "/<tbody>/i" => '',<BR>   "/<\/tbody>/i" => '',<BR>   "/<tr>/i" => '<p>',<BR>   "/<\/tr>/i" => '</p>',<BR>   "/<td>/i" => '', */<BR>   "/style=.+?['|\"]/i" => '',<BR>   "/class=.+?['|\"]/i" => '',<BR>   "/id=.+?['|\"]/i"=>'',<BR>   "/lang=.+?['|\"]/i"=>'',<BR>   //"/width=.+?['|\"]/i"=>'',//不好控制注释掉<BR>   //"/height=.+?['|\"]/i"=>'',<BR>   "/border=.+?['|\"]/i"=>'',<BR>   "/face=.+?['|\"]/i"=>'',<BR>   "/<br>[　]*/i" => "</p><p>",<BR>   "/<iframe.*?>.<mark style="color:transparent">来4源gaodaimacom搞#代%码*网</mark><code>搞代gaodaima码</code>*<\/iframe>/i" => '',<BR>   "/ /i" => ' ',//空格替换掉<BR>   "/<p>[ |\x{3000}|\r\n]*/ui" => '<p>    ',//替换半角、全角空格，换行符，用 排除写入数据库时产生的编码问题<br><br> );<BR> $config = array(<BR>         //'indent' => TRUE, //是否缩进  <BR>                'output-html' => TRUE,//是否是输出xhtml  <BR>                'show-body-only'=>TRUE,//是否只获得到body  <BR>               'wrap' => 0<BR>    );<BR> $content = tidy_repair_string($content, $config, 'utf8');//先利用php自带的tidy类库修复html标签，不然替换的时候容易出现各种诡异的情况<BR> $content = trim($content);<BR> foreach ( $replaces as $k => $v ) {<BR>  $content = preg_replace ( $k, $v, $content );<BR> }<br><br> if(strpos($content,'<p>')>6)//部分内容开头可能缺失<p>标签<BR>  $content = '<p>    '.$content;<br><br> $content = tidy_repair_string($content, $config, 'utf8');//再修复一次，可以去除html空标签<BR> $content = trim($content);<BR> return $content;<BR>}<BR>

喜欢 (0)赏

[搞代码]

分享 (0)