解析php利用正则表达式解决采集内容排版的问题
更新时间:2013年06月20日 11:44:04 作者:
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。
/**
* 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;
}
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;
}
相关文章
Warning: require(): open_basedir restriction in effect,
在linux服务器部署thinkphp5的时候PHP报了Warning: require(): open_basedir restriction in effect这个错误,是因为网站目录配置错误,PHP不能引入其授权目录上级及其以上的文件。下面详细讲解如何处理这个问题,需要的朋友可以参考下2022-11-11PHP实现将上传图片自动缩放到指定分辨率,并保持清晰度封装类示例
这篇文章主要介绍了PHP实现将上传图片自动缩放到指定分辨率,并保持清晰度封装类,涉及php针对jpeg、png、gif等格式图片的缩放与输出相关操作技巧,需要的朋友可以参考下2019-06-06Php output buffering缓存及程序缓存深入解析
在php中有时为了控制程序的输出显示顺序,提供了output buffering缓存(php自身缓存机制)。若Ob缓存开启,需要输出的就先存在ob缓存里,再到程序缓存里。若没有开启,则直接进入程序缓存,程序执行完毕,按照顺序从程序缓存里输出2013-07-07解析php中session的实现原理以及大网站应用应注意的问题
本篇文章是对php中session的实现原理以及大网站应用应注意的问题进行了详细的分析介绍,需要的朋友参考下2013-06-06
最新评论