不自然なHTMLタグ・改行コードを削除したい

Question

1.閉じタグで始まっている

</p>
なんとかかんとか

2.開始タグで終わっている

なんとかかんとか
<p>

3.改行コード（\n）で始まっている

なんとか
なんとかかんとか

4.改行コード（\n）で終わっている

なんとか
なんとかかんとか

5.2連続の改行コード

なんとか


なんとかかんとか

以上をそれぞれPHPの正規表現で修正したいと考えています。
以下のプログラムを思いつき試したところ、うまく行くようではあります。
しかし、沢山のtextパターンに当てはめたとき、予期せぬ動作をしないか心配です。
以下のコードに何かしらの不備がある場合、ぜひご指摘いただきたいです。
また、そもそも他のより良い方法があれば教えていただきたいです。

①

preg_replace("/(.+)<[0-9a-zA-Z]+(\s+[^\s"'>/=]+(\s*=\s*([^\s"'=><`]+|'[^']*'|"[^"]*"))?)*\s*/?>/s","$1",$LongText);

②

preg_replace("/<\/[0-9a-zA-Z]+\s*>(.+)/s","$1",$LongText);

③

preg_replace("/\n(.+)/s","$1",$LongText);

④

preg_replace("/(.+)\n/s","$1",$LongText);

⑤

preg_replace("/\n\n/s","",$LongText);

①②に関しては下記を参考にしています。
http://qiita.com/sounisi5011/items/fe6462edcb276a9ecddc

Answer 1

正規表現で全てのパターンを見つけるのはちょっと現実的でない気がします。DOM やライブラリを使うほうが良いと思います。

【PHPで壊れたHTMLを整形する - Qiita】
http://qiita.com/mpyw/items/58c7aa797d7735469e3a

Comments

[退会済みユーザー]

ありがとうございます！①②については最適な方法でした。
tidy_repair_stringにて「改行コード」はそのまま残したい場合、オプションなどで設定できるのでしょうか？

[kei344]

オプションは下記URLに載っているようなので、見てみてください。

【HTML Tidy Configuration Options Quick Reference】
http://tidy.sourceforge.net/docs/quickref.html