phpを解析して正規表現を用いて収集内容のレイアウトの問題を解決する

採集をするのによく出会う問題は内容のレイアウトの問題で、いくつかの時間を使ってhtmlラベルとスタイルを正則で置き換える関数を書いて、共有しました.

 
  
/** 
  
 *       
  
 * @param string $content        utf-8   
  
 * @return string 
  
 * !       tidy   
  
 */ 
  
function removeFormat($content) { 
  
 $replaces = array ( 
  
   "//i" => '', 
  
   "//i" => '', 
  
   "//i" => '', 
  
   "//i" => '', 
  
   "//i" => '', 
  
   "//i" => '', 
  
   "//i" => "
", 
  
   "//i" => "
", 
  
   "//i"=>'', 
  
   /* "//i" => '',//              
  
   "//i" => '', 
  
   "//i" => '', 
  
   "//i" => '', 
  
   "//i" => '
', 
  
   "//i" => '
', 
  
   "//i" => '', */ 
  
   "/style=.+?['|\"]/i" => '', 
  
   "/class=.+?['|\"]/i" => '', 
  
   "/id=.+?['|\"]/i"=>'', 
  
   "/lang=.+?['|\"]/i"=>'', 
  
   //"/width=.+?['|\"]/i"=>'',//        
  
   //"/height=.+?['|\"]/i"=>'', 
  
   "/border=.+?['|\"]/i"=>'', 
  
   "/face=.+?['|\"]/i"=>'', 
  
   "/[　]*/i" => "
", 
  
   "/.*/i" => '', 
  
   "/ /i" => ' ',//      
  
   "/[ |\x{3000}|\r
]*/ui" => '
    ',//    、    ，   ，                  
  
 
  
 ); 
  
 $config = array( 
  
         //'indent' => TRUE, //      
  
                'output-html' => TRUE,//     xhtml  
  
                'show-body-only'=>TRUE,//      body  
  
               'wrap' => 0 
  
    ); 
  
 $content = tidy_repair_string($content, $config, 'utf8');//   php   tidy    html  ，                   
  
 $content = trim($content); 
  
 foreach ( $replaces as $k => $v ) { 
  
  $content = preg_replace ( $k, $v, $content ); 
  
 } 
  
 
  
 if(strpos($content,'
')>6)//          
   
  
  $content = '
    '.$content; 
  
 
  
 $content = tidy_repair_string($content, $config, 'utf8');//     ，    html    
  
 $content = trim($content); 
  
 return $content; 
  
}