火车头采集常用正则过滤

为了得到一个标准的内容，在采集上必须下足功夫才行!编写好采集规则。

我对标准内容的衡量：

每一个段落都是<p></p>

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：清除与正文无关的内容，如文中的广告，注释等

正则 <header>[\s\S]*?</header>|<!–.*?–>| |规则4|规则5 替换为 空

如果发布到一些免费平台，有的HTML特殊字符并不会被转化，只需在末尾加入'|&.*?;'过滤掉最后特殊HTML字符即可。

第二步：只保留图片以及常用的块级元素

正则 (?i)<(?!/?h|/?p|/?div|br|img).*?> 替换为 空

只保留标题标签 h 分段标签 p、div、br 以及图像标签 img ;前面的(?i)表示不区分大小写

第三步：去掉除了img标签外的所有标签的选择器或样式，并把标签修改为p

正则 <(?!img)(/?)\w+.*?> 替换为 <$1p>

第四步：把乱七八糟的图像样式，改成标准图像代码

正则 <img.*?src="(.+?)".*?> 替换为 <img src="$1">

第五步：规范段落标签<p>开始</p>结束

正则 </?p>替换为</p><p>

慧聪网段落只有<p>开始没有</p>结束

某些站个别文章,</p>结束后没有<p>开始就直接是下个段落的内容

第六步：把<p>或</p>前后的空格替换为空

正则 \s*(<\/?p>)\s* 替换为 $1

第七步：把连续2个以上的<p>或</p>替换为1个

正则 (<p>){2,}|(</p>){2,} 替换为 $1$2

第八步：把所有的空段落替换为空

内容 <p></p> 替换为 空

第九步：由于第五步的关系，文章开头可能是</p>结尾可能是<p>需要清理他们

正则 ^</p>|<p>$ 替换为 空

   过滤英文正则  [a-zA-Z]
   正则过滤两位以上的数字(\d{2,100})