由 老高 发表在 代码人生 分类

做采集的都知道，一般采集过来的内容难免会带有html标签，如果有太多的标签会影响之后的数据分析或提取，所以需要过滤掉！PHP已经为我们提供了很多清除html格式的方法了，下面就让老高介绍一下。

I. strip_tags

strip_tags($str) 去掉 HTML 及 PHP 的标记
语法: string strip_tags(string str);
传回值: 字串
函式种类: 资料处理
内容说明 :
解析：本函式可去掉字串中包含的任何 HTML 及 PHP 的标记字串。若是字串的 HTML 及 PHP 标签原来就有错，例如少了大于的符号，则也会传回错误。这个函数和 fgetss() 有着相同的功能

例子

echo strip_tags("Hello world!");# Hello world!

II. htmlspecialchars

这个函数把html中的标签转换为html实体，博客的代码展示就必须使用这个函数，要不贴出来的代码就会被执行了。
预定义的字符是：
& （和号） 成为 &
” （双引号） 成为 ”
‘ （单引号） 成为 ‘
< （小于） 成为 < > （大于） 成为 >

例子

$new = htmlspecialchars("Test", ENT_QUOTES);echo $new; # <a href='test'>Test</a># 如果需要展现
，那么浏览器解析HTML的时候会自动将他变为换行# 但是通过htmlspecialchars就可以让< 变为 '

与htmlspecialchars功能相反的函数是htmlspecialchars_decode，他会把HTML实体转化为字符！

III. 后补函数

PHP去除html、css样式、js格式的方法很多，但发现，它们基本都有一个弊端：空格往往清除不了
经过不断的研究，终找到了一个理想的去除html包括空格css样式、js 的PHP函数。

$descclear = str_replace("\r","",$descclear);//过滤换行$descclear = str_replace("\n","",$descclear);//过滤换行$descclear = str_replace("\t","",$descclear);//过滤换行$descclear = str_replace("\r\n","",$descclear);//过滤换行$descclear = preg_replace("/\s+/", " ", $descclear);//过滤多余回车$descclear = preg_replace("/<[ ]+/si","<",$descclear); //过滤<__("<"号后面带空格)$descclear = preg_replace("/<\!--.*?-->/si","",$descclear); //过滤html注释$descclear = preg_replace("/<(\!.*?)>/si","",$descclear); //过滤DOCTYPE$descclear = preg_replace("/<(\/?html.*?)>/si","",$descclear); //过滤html标签$descclear = preg_replace("/<(\/?head.*?)>/si","",$descclear); //过滤head标签$descclear = preg_replace("/<(\/?meta.*?)>/si","",$descclear); //过滤meta标签$descclear = preg_replace("/<(\/?body.*?)>/si","",$descclear); //过滤body标签$descclear = preg_replace("/<(\/?link.*?)>/si","",$descclear); //过滤link标签$descclear = preg_replace("/<(\/?form.*?)>/si","",$descclear); //过滤form标签$descclear = preg_replace("/cookie/si","COOKIE",$descclear); //过滤COOKIE标签$descclear = preg_replace("/<(applet.*?)>(.*?)<(\/applet.*?)>/si","",$descclear); //过滤applet标签$descclear = preg_replace("/<(\/?applet.*?)>/si","",$descclear); //过滤applet标签$descclear = preg_replace("/<(style.*?)>(.*?)<(\/style.*?)>/si","",$descclear); //过滤style标签$descclear = preg_replace("/<(\/?style.*?)>/si","",$descclear); //过滤style标签$descclear = preg_replace("/<(title.*?)>(.*?)<(\/title.*?)>/si","",$descclear); //过滤title标签$descclear = preg_replace("/<(\/?title.*?)>/si","",$descclear); //过滤title标签$descclear = preg_replace("/<(object.*?)>(.*?)<(\/object.*?)>/si","",$descclear); //过滤object标签$descclear = preg_replace("/<(\/?objec.*?)>/si","",$descclear); //过滤object标签$descclear = preg_replace("/<(noframes.*?)>(.*?)<(\/noframes.*?)>/si","",$descclear); //过滤noframes标签$descclear = preg_replace("/<(\/?noframes.*?)>/si","",$descclear); //过滤noframes标签$descclear = preg_replace("/<(i?frame.*?)>(.*?)<(\/i?frame.*?)>/si","",$descclear); //过滤frame标签$descclear = preg_replace("/<(\/?i?frame.*?)>/si","",$descclear); //过滤frame标签$descclear = preg_replace("/<(script.*?)>(.*?)<(\/script.*?)>/si","",$descclear); //过滤script标签$descclear = preg_replace("/<(\/?script.*?)>/si","",$descclear); //过滤script标签$descclear = preg_replace("/javascript/si","Javascript",$descclear); //过滤script标签$descclear = preg_replace("/vbscript/si","Vbscript",$descclear); //过滤script标签$descclear = preg_replace("/on([a-z]+)\s*=/si","On\\1=",$descclear); //过滤script标签$descclear = preg_replace("/&#/si","&＃",$descclear); //过滤script标签，如javAsCript:alert();//使用正则替换$pat = "/<(\/?)(script|i?frame|style|html|body|li|i|map|title|img|link|span|u|font|table|tr|b|marquee|td|strong|div|a|meta|\?|\%)([^>]*?)>/isU";$descclear = preg_replace($pat,"",$descclear);

IV. 总结

采集这个东西说简单很简单，但说难真的很难。一旦遇到错误，就会让人很抓狂！

想要成为采集高手，你不仅需要了解从一个计算机发出的基于TCP的HTTP请求到终得到请求的文件的整个过程，而且能够使用一系列的工具来协助你跟踪数据的去处，同时需要考虑你写出的采集任务的效率！

如果你需要采集或者Facebook的数据，可以参考使用shadowsocks轻松搭建FQ环境

本文由 老高 创作，采用 知识共享署名 3.0 中国大陆许可协议 进行许可。
可自由转载、引用，但需署名作者且注明文章出处。