解析php利用正则表达式解决采集内容排版的问题

            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。
[U]复制代码[/U] 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" => '',
   "//i" => '',
   "//i" => '',
   "//i" => '',
   "//i" => '',
   "//i" => '',
   "//i" => "",
   "//i" => "
",
   "/*-->/i"=>'',
   /* "/[table]/i" => '',//遇到有表格的内容就不要启用
   "//i" => '',
   "//i" => '',
   "//i" => '',
   "/[tr]/i" => '',
   "//i" => '
',
   "/[td]/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" => "
",
   "/.*/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;
}
            
            
您可能感兴趣的文章:

PHP 中英文混合排版中处理字符串常用的函数

PHP中文竖排转换实现方法