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。

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" => '',
"//i" => '',
"//i" => '',
"//i" => '',
"//i" => '',
"//i" => '',
"//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;
}