清理内容：从亚马逊的内容中删除标记

Question

我正在使用Amazon Web Service获取各种商品的产品说明。问题是亚马逊的内容包含标记，有时会破坏我的网页布局（例如未封闭的DIV等）。

我想清理从亚马逊获得的内容。我的解决方案是执行以下操作（到目前为止我的初始列表）：

• 删除不需要的标记，例如div，span等，同时保留p，ul，ol等标记
• 从所有代码中删除所有属性（例如，某些代码中似乎有style个属性）
• 删除多余的空白区域（例如多个空格，回车符，换行符，新标签等）
• 等

在我尝试构建我的解决方案之前，我想知道是否有人有更好的想法（或已有的解决方案）。感谢。

Answer 1

这是否是最好的主意：

删除多余的空格：

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

从HTML元素中删除属性：

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

删除特定元素：

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