火车头采集器代码过滤秘籍

代码过滤 2016-04-02 抢沙发 阅读: 2101次

为了得到一个标准的内容,在采集上必须下足功夫才行!

我对标准内容的衡量:

1.每一个段落都是<p></p>

2.没有多余的HTML标签和与主题无关的字符

提取数据方式

选择 正则提取,组合结果填 <p>[参数1]</p>

有些内容开始和结尾并没有p标签,换行是用br标签来完成,所以我们要创造p标签

数据处理

第一步把火车头默认的HTML标签排除中没有的标签都替换为空;如果发布到免费平台,还要过滤些无法转换的HTML特殊字符;另外就是与正文无关的内容,如中间的广告什么的也可在这里清除。

纯正则替换 <\/?em>|<\/?u>|<\/?blockquote>|<header>[\s\S]*?</header> 为空

其中'<header>[\s\S]*?</header>'是去除与正文内容无关的规则案例,不用的话可以去掉;要去除HTML特殊字符,在末尾加入'|&.*?;'即可

第二步:把非标准的段落标签替换为标准的p标签。

1、把普通换行替换为段落换行,用内容替换

<br(*)> 为 </p><p>

2、把<div>、<div class="center">、<p class="center">形式的标签都替换成 <p>,同时</div>也要替换为</p>

内容替换 div(*)> 为 p>  内容替换 <p(*)> 为 <p>

那么这里我为什么不用纯正则 div.*?>|p.*?> 替换为 p> 呢,因为比较常出现的 '<p>&nbsp;</p>' 会被替换为'<p>&nbsp>'

第三步:清理工作

1、HTML标签排除

点击全选,把 '所有标签<'前的勾去掉,之后根据需要把标签前的勾去掉。一般只要把'段落<p'的勾去掉就可以了,了不起再把'图像<img'的勾去掉,其他基本用不上。

2、清理p标签前后的空白字符,如果不清理干净会影响到后面的规则

纯正则替换 \s*(<\/?p>)\s* 为 $1

3、删除所有空段落

一般情况下只要设置了 内容替换 <p></p> 就可以了,但是实际应用中却是会碰到一些特殊情况

当文中出现嵌套标签 <p><p></p></p> 设置了内容替换<p></p>后,还会剩下一对<p></p>。

如果这组嵌套标签出现在正文中间,这问题不难解决,只要在<p></p>内容替换前加上 正则替换 (<p>){2,}|(<\/p>){2,} 为 $1$2 这样无论嵌套多少层标签,最终都只剩下一对,之后内容替换<p></p>就可以完全清理干净了。

如果出现在文章开头或结尾,那就比较麻烦了。为了照顾非p标签换行的文章,我们在正则提取时已经设置好 组合结果为 <p>[参数1]</p>,那么一旦出现嵌套标签,会出现如下情况

<p><p><p></p></p> 最前面多了一个p,如果用上面的方法,那么最终就会把这些p替换干净,可是文章开头没有p标签合适吗?我想到了2种解决办法

1、针对采集页的规则,从一开始就把这些嵌套标签替换为空。缺点是不同网站的采集页规则不同,工作量就增强了。

2、进行多次<p></p>内容替换,比如 <p><p><p></p></p> 进行2次替换后就只剩下<p>符合我们的要求。一般设置3次够了,大多数网站的标签不会超过3次嵌套。需要注意的是,采用这种方法就需要把多个p标签替换为1个的正则替换规则往后移。

3、清理多余的p标签,纯正则替换

(<p>){2,}|(<\/p>){2,} 为 $1$2

只要连续出现2个以上的<p>或</p>都会替换成一个

4、清理可能出现的标签,并把文中所有连续2个以上的空格过滤掉

纯正则替换 <(?!\/?p|img).*?>|\s{2,} 为空

p标签和img标签外的所有标签都会被过滤掉,不用担心有杂七杂八的标签出现

为什么要选择2个以上的空格替换为空呢?因为文章中出现一个空格是有利于整洁的,如果包含英文那就更需要留这个空格了,而2个以上的空格一般是多余的,对正文没有意义。

==================================================

发表评论

称呼:

邮箱:

内容:

==========================

评论回复

留言者:sher 留言编号:1503393438
留言内容:站长能截图下么?
船长回复:什么截图??
========================