解析php利用正则表达式解决采集内容排版的问题


Posted in PHP onJune 20, 2013

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。

/**
 * 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;
}

PHP 相关文章推荐
多数据表共用一个页的新闻发布
Oct 09 PHP
加强版phplib的DB类
Mar 31 PHP
PHP网站基础优化方法小结
Sep 29 PHP
解决了Ajax、MySQL 和 Zend Framework 的乱码问题
Mar 03 PHP
php正则过滤html标签、空格、换行符的代码(附说明)
Oct 25 PHP
php连接mssql的一些相关经验及注意事项
Feb 05 PHP
使用PHP接受文件并获得其后缀名的方法
Aug 05 PHP
PHP中对数组的一些常用的增、删、插操作函数总结
Nov 27 PHP
PHP的压缩函数实现:gzencode、gzdeflate和gzcompress的区别
Jan 27 PHP
利用PHP将图片转换成base64编码的实现方法
Sep 13 PHP
php安装dblib扩展,连接mssql的具体步骤
Mar 02 PHP
PHP无限极分类函数的实现方法详解
Apr 15 PHP
解析使用substr截取UTF-8中文字符串出现乱码的问题
Jun 20 #PHP
用Json实现PHP与JavaScript间数据交换的方法详解
Jun 20 #PHP
使用php 获取时间今天明天昨天时间戳的详解
Jun 20 #PHP
探讨Smarty中如何获取数组的长度以及smarty调用php函数的详解
Jun 20 #PHP
解析yii数据库的增删查改
Jun 20 #PHP
在yii中新增一个用户验证的方法详解
Jun 20 #PHP
浅析Yii中使用RBAC的完全指南(用户角色权限控制)
Jun 20 #PHP
You might like
《雄兵连》系列首部大电影《烈阳天道》:可能是因为期望值太高了
2020/08/18 国漫
php获取post中的json数据的实现方法
2011/06/08 PHP
Windows中使用计划任务自动执行PHP程序实例
2014/05/09 PHP
PHP概率计算函数汇总
2015/09/13 PHP
php如何计算两坐标点之间的距离
2018/12/29 PHP
php传值和传引用的区别点总结
2019/11/19 PHP
php 输出缓冲 Output Control用法实例详解
2020/03/03 PHP
javascript常用方法、属性集合及NodeList 和 HTMLCollection 的浏览器差异
2010/12/25 Javascript
网页防止tab键的使用快速解决方法
2013/11/07 Javascript
JavaScript字符串对象slice方法入门实例(用于字符串截取)
2014/10/16 Javascript
node.js中的http.response.getHeader方法使用说明
2014/12/14 Javascript
javascript中加var和不加var的区别 你真的懂吗
2016/01/06 Javascript
Javascript技术栈中的四种依赖注入小结
2016/02/27 Javascript
利用JS判断字符串是否含有数字与特殊字符的方法小结
2016/11/25 Javascript
jQuery实现QQ空间汉字转拼音功能示例
2017/07/10 jQuery
JavaScript作用域链实例详解
2019/01/21 Javascript
JS实现点击li标签弹出对应的索引功能【案例】
2019/02/18 Javascript
原生JS实现列表内容自动向上滚动效果
2019/05/22 Javascript
构建Vue大型应用的10个最佳实践(小结)
2019/11/07 Javascript
Python入门篇之数字
2014/10/20 Python
详解用Python练习画个美队盾牌
2019/03/23 Python
python3 中的字符串(单引号、双引号、三引号)以及字符串与数字的运算
2019/07/18 Python
python 判断三个数字中的最大值实例代码
2019/07/24 Python
详解python中index()、find()方法
2019/08/29 Python
Python 异步协程函数原理及实例详解
2019/11/13 Python
jupyter notebook 重装教程
2020/04/16 Python
使用HTML5在网页中嵌入音频和视频播放的基本方法
2016/02/22 HTML / CSS
钉钉企业内部H5微应用开发详解
2020/05/12 HTML / CSS
医学院四年学习生活的自我评价
2013/11/06 职场文书
安全生产先进个人材料
2014/02/06 职场文书
韩语专业职业生涯规划范文:成功之路就在我们脚下
2014/09/11 职场文书
解除劳动关系协议书范文
2014/09/11 职场文书
领导个人查摆剖析材料
2014/10/29 职场文书
出纳岗位职责范本
2015/03/31 职场文书
拖欠货款起诉状
2015/05/20 职场文书
Go语言怎么使用变长参数函数
2022/07/15 Golang