解析php利用正则表达式解决采集内容排版的问题_PHP教程

解析php利用正则表达式解决采集内容排版的问题

2020-04-21 11:59PHP教程网 PHP教程

本篇文章是对php利用正则表达式解决采集内容排版问题进行了详细的分析介绍，需要的朋友参考下

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 (
   "/<font.*?>/i" => '',
   "/<\/font>/i" => '',
   "/<strong>/i" => '',
   "/<\/strong>/i" => '',
   "/<span.*?>/i" => '',
   "/<\/span>/i" => '',
   "/<div.*?>/i" => "<p>",
   "/<\/div>/i" => "</p>",
   "//i"=>'',
   /* "/<table.*?>/i" => '',//遇到有表格的内容就不要启用
   "/<\/table>/i" => '',
   "/<tbody.*?>/i" => '',
   "/<\/tbody>/i" => '',
   "/<tr.*?>/i" => '<p>',
   "/<\/tr>/i" => '</p>',
   "/<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"=>'',
   "/<br.*?>[　]*/i" => "</p><p>",
   "/<iframe.*?>.*<\/iframe>/i" => '',
   "/ /i" => ' ',//空格替换掉
   "/<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

);
$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,'<p>')>6)//部分内容开头可能缺失<p>标签
  $content = '<p>    '.$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;
}