用php和正則表達式從網頁上刮取的清理文本

Question

我一直在構建一個標題文本中的函數讀取，如在<title></title>標記之間的網頁上發現的。我使用下面的正則表達式代碼獲取標題文本形式的html頁面：

if(preg_match('#<title>([^<]+)</title>#simU', $this->html, $m1)) 
     $this->title = trim($m1[1]); 

我使用下面的編碼爲MySQL INSERT語句值：

mysql_real_escape_string(rawurldecode($this->title)) 

讓我留下一個完整的有HTML實體標題（&收縮壓等）和 外國字符，如 Dating S.o.s | Gluten-free, Dairy-free, Sugar-free Recipes And Lifestyle Tips

的目標是解碼，取出，用的標題是他們看起來更接近PE的數據庫儘可能使用英語。

我已經構建了一個函數，使用以下2個正則表達式來分別去除html實體和限制垃圾。雖然不理想（因爲它刪除了html實體而不是保留它們），但它是最接近我清理乾淨的。

$string = preg_replace("/&#?[a-z0-9]+;/i","",$string); 
//remove all non-normal chars 
$string = preg_replace('/[^a-zA-Z0-9-\s\'\!\,\|\(\)\.\*\&\#\/\:]/', '', $string); 

但非英文字符仍然存在。

會有人能夠提供幫助爲：

1. 最佳的方式來保存這些標題字符串到數據庫嘗試保持英語意圖（標點符號，apostrophies等）
2. 如何轉換或消除奇怪的字符，如我在上面的示例標題中所示？

非常感謝您的幫助！

Answer 1

對於第1點，PHP具有html_entity_decode()函數，您可以使用該函數將HTML實體轉換爲「常規」字符。

Answer 2

退房http://www.php.net/manual/en/function.html-entity-decode.php＃1

而且http://php.net/manual/en/function.mb-convert-encoding.php＃2