消毒內容：從亞馬遜的內容中刪除標記

Question

我正在使用亞馬遜網絡服務獲取各種商品的產品描述。問題是亞馬遜的內容包含標記，有時會破壞我網頁的佈局（例如未封閉的DIV等）。

我想清理從亞馬遜獲得的內容。我的解決辦法是做到以下幾點（我的初步名單至今）：

• 刪除不必要的標記，如div，span等，同時保持標籤，如p，ul，ol等
• 全部刪除從所有的標籤屬性（例如好像有一些標籤的style屬性）
• 刪除多餘的空格（如多個空格，回車換行，製表符等）
• 等等

在我試圖構建我的解決方案之前，我想知道是否有人有更好的主意（或者已有的解決方案）。謝謝。

Answer 1

無論是最好的主意與否：

刪除多餘的空格：

preg_replace('/\s+/', ' ', trim($v))

刪除HTML元素屬性：

preg_replace('/<([^\s>]+) [^>]+>/', '<$1>', $v)

刪除特定元素：

preg_replace('/<\/?(div|span)[^>]*>/', '', $v)