解析php利用正则表达式解决采集内容排版的问题_PHP

正则表达式

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。
复制代码 代码如下:
/**
* 格式化内容
* @param string $content 内容最好统一用utf-8编码
* @return string
* !本函数需要开启tidy扩展
*/
function removeFormat($content) {
$replaces = array (
"//i" => '',
"/<\/font>/i" => '',
"//i" => '',
"/<\/strong>/i" => '',
"//i" => '',
"/<\/span>/i" => '',
"//i" => "

",
"/<\/div>/i" => "

",
"//i"=>'',
/* "//i" => '',//遇到有表格的内容就不要启用
"/<\/table>/i" => '',
"//i" => '',
"/<\/tbody>/i" => '',
"//i" => '

',
"/<\/tr>/i" => '

',
"//i" => '', */
"/style=.+?['|\"]/i" => '',
"/class=.+?['|\"]/i" => '',
"/id=.+?['|\"]/i"=>'',
"/lang=.+?['|\"]/i"=>'',
//"/width=.+?['|\"]/i"=>'',//不好控制注释掉
//"/height=.+?['|\"]/i"=>'',
"/border=.+?['|\"]/i"=>'',
"/face=.+?['|\"]/i"=>'',
"/[ ]*/i" => "

",
"/<iframe.*?>.*<\/iframe>/i" => '',
"/ /i" => ' ',//空格替换掉
"/[ |\x{3000}|\r\n]*/ui" => '

',//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

);
$config = array(
//'indent' => TRUE, //是否缩进
'output-html' => TRUE,//是否是输出xhtml
'show-body-only'=>TRUE,//是否只获得到body
'wrap' => 0
);
$content = tidy_repair_string($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
$content = trim($content);
foreach ( $replaces as $k => $v ) {
$content = preg_replace ( $k, $v, $content );
}

if(strpos($content,'

')>6)//部分内容开头可能缺失

标签
$content = '

'.$content;

$content = tidy_repair_string($content, $config, 'utf8');//再修复一次,可以去除html空标签
$content = trim($content);
return $content;
}

郑重声明:本文版权包含图片归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们(delete@yzlfxy.com)修改或删除,多谢。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。

留言与评论(共有 0 条评论)
昵称:
匿名发表
   
验证码: