正则表达式
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 => '',//遇到有表格的内容就不要启用
   //i => '',
   //i => '',
   //i => '',
   //i => '',
   //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 => ,
   /.*/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;
}