迅睿CMS采集内容自动排版与格式清洗实战指南

script,style,iframe,object,embed,form,input,textarea,select,button,link,meta,footer,header,nav

]class="ad yipinkpxwxg-sult-fxny"[^>]>.?

还需清理常见的内联样式属性。采集来的内容常包含 `style="color:red"` 或 `align="center"`，这会破坏网站统一风格。在【内容替换】中添加以下规则：

style=".?"
align=".?"
width=".?"
height=".?"

注意：以上规则每行一条，【替换内容】全部留空，表示将匹配到的属性直接删除。

二、PHP代码实现图片路径修正与属性清洗

基础过滤无法处理图片的相对路径问题，也无法智能删除图片上的多余属性。迅睿CMS采集规则支持发布时执行PHP代码，这是实现深度排版优化的核心。在采集规则的【发布模块】设置中，找到【发布时执行PHP代码】输入框，粘贴以下代码。

这段代码主要实现三个功能：将相对路径图片转为绝对路径、删除图片尺寸属性以适应响应式布局、自动提取第一张图片作为缩略图。

/is', function($matches) use ($domain) {
$src = $matches[1];
$imgTag = $matches[0];
// 处理相对路径
if (strpos($src, 'http') !== 0) {
// 去除路径前的 ../ 或 ./
$src = ltrim($src, './');
// 拼接完整域名
$src = $domain . '/' . $src;
}
// 提取alt属性，如果没有则设为空
preg_match('/alt="(.?)"/is', $imgTag, $altMatches);
$alt = isset($altMatches[1]) ? $altMatches[1] : '图片描述';
// 重新构建img标签，仅保留src和alt，删除width/height/style等干扰响应式的属性
return '';
}, $content);
// 2. 自动提取首图作为缩略图 (如果thumb字段为空)
if (empty($thumb)) {
preg_match('//is', $content, $thumbMatches);
if (isset($thumbMatches[1])) {
$thumb = $thumbMatches[1];
}
}
?>

实操细节：请将代码中的 `$domain` 变量值修改为你实际采集的目标网站域名。这段代码会遍历内容中的所有图片，自动补全URL，并强制重写图片标签，确保在前端显示时不会因为固定宽高而撑破布局。

三、正文段落格式标准化与空标签清理

采集源站的排版习惯各异，有的使用 `
` 换行，有的使用空 `

` 标签占位。为了确保发布后的文章段落清晰，需要在上述 PHP 代码中继续追加段落清洗逻辑。

在【发布时执行PHP代码】框中，接在上一段代码后面继续添加以下逻辑：

 替换为单个段落结束
$content = preg_replace('/(\s){3,}/is', '
', $content);
// 清理内容中常见的全角空格和不间断空格
$content = str_replace(array('　', ' ', ' ', "\xc2\xa0"), '', $content);
// 清理包含只有空格或换行的空p标签
$content = preg_replace('/]>(\s| | )<\/p>/is', '', $content);
// 将 
 强制转换为 
 以统一段落间距
// 注意：此操作需根据实际模板样式决定，如果CSS未定义p间距，则需保留此步
$content = str_replace(array('
', '
', '
'), '
', $content);
// 去除HTML首尾的空白，防止布局错位
$content = trim($content);
?>

这段代码首先解决“空行过多”的问题，将3个以上的换行符压缩为一个段落。它专门针对采集内容中常见的“隐形垃圾”——全角空格和HTML实体空格（` `）进行彻底清除。它将非标准的 `
` 标签统一转换为 `

` 标签，保证文章在富文本编辑器和前端展示时的结构一致性。

四、关键词自动内链与敏感词过滤

为了SEO优化，通常需要在采集时自动将正文中的关键词替换为带链接的锚文本。这同样可以在 PHP 代码中通过数组循环实现。

继续在【发布时执行PHP代码】中追加：

 '替换后的链接'
$keywords = array(
'迅睿CMS' => 'https://www.xunruicms.com',
'开发教程' => '/dev/course',
'技术博客' => '/blog'
);
foreach ($keywords as $k => $v) {
// 使用正则替换，限制替换次数，防止整页全是链接
// 排除已经在a标签内的关键词，避免链接嵌套错误
$content = preg_replace('/(?]>)(?<[^>])(' . $k . ')(?<[^<])(?!<\/a>)/is', '$2', $content, 1);
}
// 5. 简单的敏感词过滤
$badWords = array('赌博', '色情', '广告代理');
foreach ($badWords as $word) {
$content = str_replace($word, '', $content);
}
?>

技术要点说明：关键词替换的正则表达式使用了“负向零宽断言”（`(?迅睿CMS` 中的关键词再次替换，导致 HTML 结构崩坏（例如出现 `迅睿CMS`）。`$content` 的末尾参数 `1` 表示每篇文章中该关键词只替换第一次，避免过度SEO。

五、最终验证与调试技巧

配置完上述所有步骤后，不要直接进行大批量采集。点击采集任务列表中的【测试采集】按钮。在弹出的窗口中，观察【采集内容】和【处理后的内容】对比。

如果发现图片路径错误，检查 PHP 代码中的 `$domain` 是否正确。如果出现页面乱码，通常是源站编码与迅睿CMS编码不一致。迅睿CMS默认为 UTF-8，如果源站是 GBK，需要在 PHP 代码最开始处添加转码代码：

通过以上五个维度的精细化配置，迅睿CMS采集的内容将实现从“垃圾数据”到“可直接发布的高质量文章”的转化，图片自适应、段落整洁、内链丰富，无需人工二次排版。