PHP を解析し、正規表現を使用してコンテンツ収集の問題を解決するレイアウト

PHP を解析し、正規表現を使用してコンテンツ収集の問題を解決するレイアウト_PHP チュートリアル

WBOY

リリース： 2016-07-21 15:04:57

オリジナル

929 人が閲覧しました

コレクションを行うときに遭遇する一般的な問題は、HTML タグとスタイルを正規表現に置き換える関数を作成することに時間を費やしました。それを共有します。

コードをコピーしますコードは次のとおりです:

/**
* コンテンツのフォーマット
* @param string $content コンテンツには utf-8 エンコーディングを使用するのが最善です
* @return string
* この関数は Tidy 拡張機能を有効にする必要があります
!*/
function RemoveFormat($content) {
$replaces = array (
"/ '',
"//i" => '',
"//i" => '',
"/ ;/i" => '',
"//i" => '',
"//i" => '',
"/ /i" => "

",
"/

/i" => "

",
"/*-->/i"=>'',
/* "/ "//i" => '',
"//i" => を有効にします。 /tbody>/i" = > '',
"//i" => '

',
"//i" => '

;",
"/.*/i" => '',
"/ /i" => ' ',//スペースを
に置き換えます "/ [ |x {3000}|rn]*/ui" => '

',//半角、全角のスペース、改行を置換し、削除するために使用します。データベースへの書き込み時に発生するエンコードの問題

);
$config = array (
本体のみを取得します
'wrap' => 0
);
$content = tiny_repair_string($content, $config, 'utf8' ); // まず php に付属のきちんとしたクラスライブラリを使用して html タグを修復するか、そうでない場合は置き換えますさまざまな奇妙な状況が発生しやすくなります
$content =rim($content);
foreach ( $replaces as $k => ; $v ) {
$content = preg_replace ( $k, $v, $content );
}

if(strpos($content,'

')>6)//一部のコンテンツが欠落している可能性があります先頭の

タグ
$content = '

'.$content;

$ content = tiny_repair_string($content, $config, 'utf8');// HTML を削除するために再度修復します空のタグ
$content = trim($content);
return $content;
}