火车头采集器 截取字符串 正则表达式

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