登录  /  注册
首页 > php教程 > php手册 > 正文
解析php利用正则表达式解决采集内容排版的问题
php中文网
发布: 2016-06-13 11:47:01
原创
581人浏览过

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>/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;
}


来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 意见反馈 讲师合作 广告合作 技术文章
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习
PHP中文网抖音号
发现有趣的

Copyright 2014-2023 //m.sbmmt.com/ All Rights Reserved | 苏州跃动光标网络科技有限公司 | 苏ICP备2020058653号-1

 | 本站CDN由 数掘科技 提供

登录PHP中文网,和优秀的人一起学习!
全站2000+教程免费学