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 (
"/<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}|rn]*/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;
}
【解析php利用正则表达式解决采集内容排版的问题】相关文章：
★ php将HTML表格每行每列转为数组实现采集表格数据的方法
★ 正则表达式语法