解析php利用正则表达式解决采集内容排版的问题

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}| ]*/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;
}