火车头采集器 截取字符串 正则表达式

17 篇文章 0 订阅
8 篇文章 0 订阅
有时需要从采集内容或者网址中截取部分字符串,可以使用正则表达式截取

如从/.../中截取出来,\/[\w]+\/,截取/example/字符串,含//符号,非常实用


附录:

以此网址为列 http://tieba.baidu.com/p/2376714043 采集 标题、时间、邮箱 来讲解

标题我们需要采集<title>和</title> 中间的内容

写法 <title>(?<content>[\s\S]*?)</title>
这种与 正则参数方式类似

(?<content>[\s\S]*?) 里的 [\s\S]*? 的意思就是匹配任意字符,并返回结果的意思。




下面讲下时间标签,因为时间标签很多,所以需要写个通配的格式,来循环匹配

时间格式 2013-06-06 22:14

正规正则表达式 格式 \d{4}-\d{2}-\d{2} \d{2}:\d{2}

这里不要问 为什么会这样写,如果看不明白的,可以看下正则的标准语法,

教程如下http://msdn.microsoft.com/zh-cn/library/ae5bf541(VS.80).aspx

在我们的采集器里 应该这样写 (?<content>\d{4}-\d{2}-\d{2} \d{2}:\d{2})

把我们的表达式 (?<content>[\s\S]*?) 里面的 [\s\S]*? 替换成自己的表达式即可。这样结果就返回了 我们设置的正则格式的结果



最后 邮箱的正则标签写法也是一样的

标准邮箱正则表达式 [\w\-\.]+@[\w\-\.]+\.\w+

在我们的采集器里

(?<content>[\w\-\.]+@[\w\-\.]+\.\w+)

如果文章内有多个邮箱 勾选循环匹配就可以全部采集到

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值