Очистка csv файла от мусора - Парсинг

@SergV · Регистрация: 09.12.2015

Студворк — интернет-сервис помощи студентам

Ребят, нужна помощь, есть csv файл с почти 1000 строк параметров с текстами, больше половины текстов в нём бездумно раньше вставлялись в редакторе простым копированием из ворд, плюс все тексты имеют кучу лишних тегов и стилей. Всё это дело нужно почистить, оставив только голые тексты и теги p.
Я в пхп не сильно шарю, на уровне "чайника", да и последние пару лет не подходил к нему. Вчера пытался сам с помощью "гугл в помощь" и "метода тыка" решить проблему, но безрезультатно, смог почистить только частично от чистых тегов, и не полностью от тегов со стилями и классами. А вот мусор удалить от ворда и вообще не вышло.

Вот кусок кода от ворда:

Кликните здесь для просмотра всего текста

<p></p> <p><!--[if gte mso 9]><xml> <w:WordDocument> <w:View>Normal</w:View> <w:Zoom>0</w:Zoom> <w:TrackMoves/> <w:TrackFormatting/> <w:HyphenationZone>21</w:HyphenationZone> <w:PunctuationKerning/> <w:ValidateAgainstSchemas/> <w:SaveIfXMLInvalid>false</w:SaveIfXMLInvalid> <w:IgnoreMixedContent>false</w:IgnoreMixedContent> <w:AlwaysShowPlaceholderText>false</w:AlwaysShowPlaceholderText> <w

oNotPromoteQF/> <w:LidThemeOther>DE</w:LidThemeOther> <w:LidThemeAsian>X-NONE</w:LidThemeAsian> <w:LidThemeComplexScript>X-NONE</w:LidThemeComplexScript> <w:Compatibility> <w:BreakWrappedTables/> <w:SnapToGridInCell/> <w:WrapTextWithPunct/> <w:UseAsianBreakRules/> <w

ontGrowAutofit/> <w:SplitPgBreakAndParaMark/> <w:EnableOpenTypeKerning/> <w

ontFlipMirrorIndents/> <w:OverrideTableStyleHps/> </w:Compatibility> <m:mathPr> <m:mathFont m:val=""Cambria Math""/> <m:brkBin m:val=""before""/> <m:brkBinSub m:val=""--""/> <m:smallFrac m:val=""off""/> <m:dispDef/> <m:lMargin m:val=""0""/> <m:rMargin m:val=""0""/> <m:defJc m:val=""centerGroup""/> <m:wrapIndent m:val=""1440""/> <m:intLim m:val=""subSup""/> <m:naryLim m:val=""undOvr""/> </m:mathPr></w:WordDocument> </xml><![endif]--><!--[if gte mso 9]><xml> <w:LatentStyles DefLockedState=""false"" DefUnhideWhenUsed=""true"" ......

А так пытаюсь чистить:

PHP
1
2
3
4
5
6
7
8
9
while (!feof($file)) {
$text = fgets($file, 999);
$text = preg_replace("/ +/", ' ', $text);
$text = preg_replace("/\<p(.+?)\>/", '<p>', $text);
$text = preg_replace("/\<span(.+?)\>/", '<span>', $text);
$text = preg_replace("/\<div(.+?)\>/", '<div>', $text);
$text = preg_replace("#(<strong(.+?)>|<strong>|</strong>|<span(.+?)>|<span>|</span>|<p> <br /></p>)#", '', $text);
$text = preg_replace('#<xml>.*?</xml>#', '', $clearText[0]);
...

Если первые строки работают частично, то последняя удаляет только первый кусок, а последующие не удаляет, а их в строке пара десятков.
Первые же строки для р, span и div, чистят только примерно 2/3 от имеющихся тегов со стилями и классами, и что самое интересное, из 15-20 таких тегов в тексте, во всех строках остаются конкретно 3 тега со стилями и/или классами.

Я в парсинге вообще ноль, всё что нарыл вчера в гугле, всё перепробовал, эффекта ноль.
Помогите плиз составить правильную регулярку, что бы очистить всё лишнее.

@Emilien · 11.12.2015, 12:40

Судя по приведенному фрагменту вполне может хватить шаблона //s

PHP
1
2
3
$text = file_get_contents('file.csv');
$text = preg_replace('/<!--.*?-->/s', '', $text);
file_put_contents('fix.csv', $text);

@SergV · 13.12.2015, 10:28 **[ТС]**

Спасибо, сегодня попробую...

Добавлено через 22 часа 40 минут
Ещё раз спасибо Emilien, всё вышло с чисткой от мусора ворда. Не знаю лишь что за глюк у меня был, когда я вроде тоже самое пробовал* в смысле этого - ), но удаляло только первый блок в строке, возможно потому что пытался в цикле while это делать, хотя другое удалялось нормально...
Но это не важно уже, тексты почистил, а заодно и вспомнил кой чего, пока эксперементировал.

Тему можно закрыть.

Новые блоги и статьи Все статьи Все блоги /
PhpStorm 2025.3: WSL Terminal всегда стартует в ~ and_y87 14.12.2025 PhpStorm 2025. 3: WSL Terminal всегда стартует в ~ (home), игнорируя директорию проекта Симптом: После обновления до PhpStorm 2025. 3 встроенный терминал WSL открывается в домашней директории. . .	Access VikBal 11.12.2025 Помогите пожалуйста !! Как объединить 2 одинаковые БД Access с разными данными.	Новый ноутбук volvo 07.12.2025 Всем привет. По скидке в "черную пятницу" взял себе новый ноутбук Lenovo ThinkBook 16 G7 на Амазоне: Ryzen 5 7533HS 64 Gb DDR5 1Tb NVMe 16" Full HD Display Win11 Pro	Музыка, написанная Искусственным Интеллектом volvo 04.12.2025 Всем привет. Некоторое время назад меня заинтересовало, что уже умеет ИИ в плане написания музыки для песен, и, собственно, исполнения этих самых песен. Стихов у нас много, уже вышли 4 книги, еще 3. . .	От async/await к виртуальным потокам в Python IndentationError 23.11.2025 Армин Ронахер поставил под сомнение async/ await. Создатель Flask заявляет: цветные функции - провал, виртуальные потоки - решение. Не threading-динозавры, а новое поколение лёгких потоков. Откат?. . .
Поиск "дружественных имён" СОМ портов Argus19 22.11.2025 Поиск "дружественных имён" СОМ портов На странице: https:/ / norseev. ru/ 2018/ 01/ 04/ comportlist_windows/ нашёл схожую тему. Там приведён код на С++, который показывает только имена СОМ портов, типа,. . .	Сколько Государство потратило денег на меня, обеспечивая инсулином. Programma_Boinc 20.11.2025 Сколько Государство потратило денег на меня, обеспечивая инсулином. Вот решила сделать интересный приблизительный подсчет, сколько государство потратило на меня денег на покупку инсулинов. . . .	Ломающие изменения в C#.NStar Alpha Etyuhibosecyu 20.11.2025 Уже можно не только тестировать, но и пользоваться C#. NStar - писать оконные приложения, содержащие надписи, кнопки, текстовые поля и даже изображения, например, моя игра "Три в ряд" написана на этом. . .	Мысли в слух kumehtar 18.11.2025 Кстати, совсем недавно имел разговор на тему медитаций с людьми. И обнаружил, что они вообще не понимают что такое медитация и зачем она нужна. Самые базовые вещи. Для них это - когда просто люди. . .	Создание Single Page Application на фреймах krapotkin 16.11.2025 Статья исключительно для начинающих. Подходы оригинальностью не блещут. В век Веб все очень привыкли к дизайну Single-Page-Application . Быстренько разберем подход "на фреймах". Мы делаем одну. . .

@SergV 171 / 194 / 41 Регистрация: 09.12.2015 Сообщений: 574
	13.12.2015, 10:28 [ТС]
	Спасибо, сегодня попробую... Добавлено через 22 часа 40 минут Ещё раз спасибо Emilien, всё вышло с чисткой от мусора ворда. Не знаю лишь что за глюк у меня был, когда я вроде тоже самое пробовал* в смысле этого - <!--.*?-->), но удаляло только первый блок в строке, возможно потому что пытался в цикле while это делать, хотя другое удалялось нормально... Но это не важно уже, тексты почистил, а заодно и вспомнил кой чего, пока эксперементировал. Тему можно закрыть. 0