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描述。问题是亚马逊的内容包含有时会破坏我的网页布局的标记（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）：

• 删除不必要的标签，如div、span等，同时保留p、ul、ol等标签。
• 从所有标签中删除所有属性（例如，某些标签中似乎有style 属性）
• 删除多余的空格（例如多个空格、回车、换行、制表符等）
• 等

在我开始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（或已经存在的解决方案）。谢谢。

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)

移除特定元素：

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