帝国CMS采集内容过滤HTML标签，清理格式

很多站长用帝国CMS采集内容时，都会遇到正文夹杂大量HTML标签、内联样式和多余空行的问题，直接发布会影响阅读体验和搜索引擎抓取。这篇教程面向零基础用户，讲清楚在帝国CMS里过滤HTML标签、清理格式的完整操作，跟着做就能得到干净正文。 ## 动手前的环境确认 开始操作前，先确认几个前提，能避免大部分“设置了没生效”的尴尬。 - 帝国CMS版本：本文以常见后台界面为例，不同版本菜单名称可能略有差异，以你后台实际显示为准。 - 操作权限：需要登录后台管理员账号，并拥有“采集管理”和“数据表管理”权限。 - 备份习惯：涉及批量替换前，建议先备份数据库，尤其是已有数据的站点。 - 采集规则：确认采集节点已建立，并能正常抓取到标题、正文等字段。 如果你还没建采集节点，先在后台进入 `采集管理` 新建节点，把目标页面的标题、正文、来源等字段对应好，再往下看过滤设置。 ## 在采集节点里过滤HTML标签 帝国CMS采集节点自带字段处理功能，可以在入库前对内容做初步过滤，这是最省事的方式。 进入 `采集管理` → 找到你的采集节点 → 点击 `修改` → 切换到 `字段处理` 或 `采集字段` 设置区域。不同版本菜单位置可能叫法不同，核心是找到“字段处理”相关的选项。 找到正文对应的字段，在“过滤”或“正则替换”输入框里填写规则。常见的过滤写法如下： ``` // 去除所有HTML标签 <[^>]+> 替换为空 ``` 如果后台支持直接填写正则，把 `<[^>]+>` 填入匹配内容，替换值留空，保存后重新采集即可。注意：这个规则会把所有尖括号内容都删掉，如果正文里本身有需要保留的代码示例，要谨慎使用，或者改用更精确的规则只过滤特定标签。 保存设置后，建议先采集一条测试文章，查看正文是否已经变干净，再批量采集。 ## 用字段处理函数做二次清理 如果采集节点自带的过滤不够灵活，可以用帝国CMS的字段处理函数在入库时做二次清理。 进入 `系统` → `数据表管理` → 找到你采集内容对应的数据表（通常是 `phome_ecms_news` 这类表名），点击 `管理字段`，找到正文字段，编辑它的“字段处理函数”。 常用的清理思路是：先去掉HTML标签，再压缩多余空白。可以写一个简单的处理函数，例如： ```php function clean_html($value){ $value = strip_tags($value); $value = preg_replace('/\s+/', ' ', $value); return trim($value); } ``` 把函数名填到字段处理函数里，保存后新采集的内容就会自动走这个清理流程。需要提醒的是，修改字段处理函数会影响该字段后续所有入库数据，操作前最好在测试环境验证。 ## 对已入库内容做批量正则替换 已经采集进数据库的内容，如果格式很乱，可以在后台用批量替换功能清理。 进入 `系统` → `批量替换` 或 `SQL工具` 相关菜单，选择要处理的表和字段，填写替换规则。例如把HTML标签替换为空： ``` 查找：<[^>]+> 替换为：（留空） ``` 执行前务必先备份数据库，批量替换不可撤销。如果内容量大，建议分批处理，先替换一小部分，确认效果后再继续。 批量替换完成后，可以打开几篇内容查看，重点检查正文是否还有残留标签、段落是否被误删。 ## 常见坑和验证方法 过滤HTML标签看起来简单，实际操作容易踩几个坑。 - 正则写得太宽：`<[^>]+>` 会删掉所有尖括号内容，如果正文里有数学公式或代码片段，会被误删。 - 只过滤了采集节点：已入库内容不会自动变干净，需要单独批量处理。 - 忽略了特殊字符：HTML实体如 ` ` 不会被标签正则去掉，可以再补一条替换规则。 - 没做备份：批量替换和字段函数修改都可能影响原有数据，备份是底线。 验证效果时，随机打开几篇采集文章，查看正文是否还有 `