解析php利用正则表达式解决采集内容排版的问题

　　/**

　　* 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;

　　}