网友的提问地址:http://bbs.locoy.com/spider-75585-1-1.html
网友问题概述:
该网友要采集内容的源代码如下:
<td valign=top>第1张</td></tr></table></li><li>
.......
<a href='4586_9.html' ...........
<td valign=top>第9张</td></tr></table></li><li>
<a href='4586_10.html' target='_blank'><img src='../up/allimg/512/041Q2120249/12041Q20249-9-lp.jpg' border='0' width='200' heigth='100'></a><table align=center width=85% border=0 cellspacing=0 cellpadding=0><tr>
<td valign=top>第10张</td></tr></table></li></ul></div></div></div></div></td></tr>
看该源码,可以了解到该网页大概是一个图片的列表。该网友要采集的是图片列表中的最后那张图片的标记文字,在
这个例子中是这个数字“10”。
这个内容采集的难点是:
由于“第1张”到“第10张”的html界定代码定义的完全一样,所以,如果想要专门去获取这个10,是无法去确定这个“开始字符串”和“结束字符串”的。
我的思路:
利用标签循环处理功能结合内容过滤功能来实现最终目的。
不过,具体如何实施效果,我在等该网友能否给出原始的测试网址,测试通过后。然后再更新吧。