自定義正則語法規則:
簡單舉例(常用):比如被采集的網站內容頁的html代碼如下
<tr><td>文章內容部分</td></tr><table>
那麼右邊輸入
<tr><td>{content=*}</td></tr><table>
復雜舉例(少用):比如內容的html代碼如下
<p>作者:張三<br>來源:php168網站</p>不相關內容<tr><td>文章內容部分</td></tr><table>
那麼右邊輸入
<p>作者:{author=*}<br>來源:{copyfrom=*}</p>{*}<tr><td>{content=*}</td></tr><table>
必須要注意的是:
為何要取內容的html代碼如下
<tr><td>文章內容部分</td></tr><table>
那麼右邊輸入
<tr><td>{content=*}</td></tr><table>
而不是
<tr><td>文章內容部分</td></tr>
那麼右邊輸入
<tr><td>{content=*}</td></tr>
這個呢?
為什麼要多一段 <table> 呢?其實少這一段也是可以的,但就有可能采集到其他內容,即是精確度不高.代碼多一點,精確度就高一點,但也不是越多越好.因為太多的話.有可能就采集不到了. |
|
要替換文章中的字符:
目的,過濾不願意看到的文字
格式為舊字符|新字符 |
|
多頁處理:默認首頁被替換的字符
(如留空,內容如有多頁將不采集直接跳過)
比如:
第一頁http://php168.com/1/index.html
第二頁http://php168.com/1/index_2.htm
那麼右邊的表單填.html
分析規則就是對比第一頁與第二頁的網址從左到右哪個字符出現不同,就把之後的字符復制出來 |
|
多頁處理:變動的頁去替換的字符
(留空,內容如有多頁將不采集直接跳過)
比如:
第一頁http://php168.com/1/index.html
第二頁http://php168.com/1/index_2.htm
那麼右邊的表單填_[page].htm
分析規則就是對比第一頁與第二頁的網址從左到右哪個字符出現不同,就把第二頁之後的字符復制出來,並把變動的頁碼數字用[page]替換 |
|
多頁時.第二頁是否怪癖,
比如:
第一頁http://php168.com/1/index.html
第二頁http://php168.com/1/index_1.html
此時屬于怪癖的,理論上應該是
第三頁http://php168.com/1/index_2.html
所以右邊請選擇是,一般情況都是選否的 |
是
否 |
開頭PHP正則程序語法
(適合處理采集比較怪僻的網站.不懂PHP程序的,請留空,否則會出現嚴重問題使得采集程序無法運行) |
|
結尾PHP正則程序語法
(適合處理采集比較怪僻的網站.不懂PHP程序的,請留空,否則會出現嚴重問題使得采集程序無法運行) |
|
采集文件結尾的PHP正則程序語法
(適合處理采集比較怪僻的網站.不懂PHP程序的,請留空,否則會出現嚴重問題使得采集程序無法運行) |
|