消毒内容：从亚马逊的内容中删除标记

Question

我正在使用亚马逊网络服务获取各种商品的产品描述。问题是亚马逊的内容包含标记，有时会破坏我网页的布局（例如未封闭的DIV等）。

我想清理从亚马逊获得的内容。我的解决办法是做到以下几点（我的初步名单至今）：

• 删除不必要的标记，如div，span等，同时保持标签，如p，ul，ol等
• 全部删除从所有的标签属性（例如好像有一些标签的style属性）
• 删除多余的空格（如多个空格，回车换行，制表符等）
• 等等

在我试图构建我的解决方案之前，我想知道是否有人有更好的主意（或者已有的解决方案）。谢谢。

Answer 1

无论是最好的主意与否：

删除多余的空格：

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

删除HTML元素属性：

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

删除特定元素：

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