文章采集与网址抓取-正则表达式

　文章采集与网址抓取-正则表达式

　　1、列表页面地址的填写：

　　[page]变量代表页码，page数字

　　2、文章链接的抓取：

　　href链接网址部分用(.*?)代替

　　3、文章标题和正文的抓取：

　　文章标题：一般用(.*?)代替 意思:匹配所有字符(不包括换行符)，直到碰到他后面的字符串。

　　正文： 一般用([\s\S]*?)代替 意思：匹配所有字符(包括换行的)

　　加了括号的正则表达式，表示参数要提取出来使用。

　　如果源代码里标题在前，就选标题在前;如果标题在后，就选标题在后。

　　这里只允许2个加括弧的正则表达式，其它部分也可存在正则表达式，但是不需要提取出来使用，也就不能加括弧了。

　　标题和正文中间，一般可能存在很多无关代码内容，统一用[\s\S]*，不加括号。无关代码统一用[\s\S]*代替。

原文地址：http://www.seo37.com/934.html