火车头采集器过滤秘籍

 为了得到一个标准的内容，在采集上必须下足功夫才行！

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

第一步把火车头默认的HTML标签排除中没有的标签都替换为空；如果发布到免费平台，还要过滤些无法转换的HTML特殊字符；另外就是与正文无关的内容，如中间的广告什么的也可在这里清除。

纯正则替换 </?em>|</?u>|</?blockquote>|<header>[sS]*?</header> 为空

其中'<header>[sS]*?</header>'是去除与正文内容无关的规则案例，不用的话可以去掉；要去除HTML特殊字符，在末尾加入'|&.*?;'即可

第二步：把非标准的段落标签替换为标准的p标签。

1、把普通换行替换为段落换行，用内容替换

<br(*)> 为 </p><p>

2、把<div>、<div class="center">、<p class="center">形式的标签都替换成 <p>，同时</div>也要替换为</p>

内容替换 div(*)> 为 p>内容替换 <p(*)> 为 <p>

那么这里我为什么不用纯正则 div.*?>|p.*?> 替换为 p> 呢，因为比较常出现的 '<p>&nbsp;</p>' 会被替换为'<p>&nbsp>'

第三步：清理工作

1、HTML标签排除

点击全选，把 '所有标签<'前的勾去掉，之后根据需要把标签前的勾去掉。一般只要把'段落<p'的勾去掉就可以了，了不起再把'图像<img'的勾去掉，其他基本用不上。

2、清理p标签前后的空白字符,如果不清理干净会影响到后面的规则

纯正则替换 s*(</?p>)s* 为 $1

3、删除所有空段落

一般情况下只要设置了 内容替换 <p></p> 就可以了，但是实际应用中却是会碰到一些特殊情况

当文中出现嵌套标签 <p><p></p></p> 设置了内容替换<p></p>后，还会剩下一对<p></p>。

如果这组嵌套标签出现在正文中间，这问题不难解决，只要在<p></p>内容替换前加上 正则替换 (<p>){2,}|(</p>){2,} 为 $1$2 这样无论嵌套多少层标签，最终都只剩下一对，之后内容替换<p></p>就可以完全清理干净了。

如果出现在文章开头或结尾，那就比较麻烦了。为了照顾非p标签换行的文章，我们在正则提取时已经设置好 组合结果为 <p>[参数1]</p>，那么一旦出现嵌套标签，会出现如下情况

<p><p><p></p></p> 最前面多了一个p，如果用上面的方法，那么最终就会把这些p替换干净，可是文章开头没有p标签合适吗？我想到了2种解决办法

1、针对采集页的规则，从一开始就把这些嵌套标签替换为空。缺点是不同网站的采集页规则不同，工作量就增强了。

2、进行多次<p></p>内容替换，比如 <p><p><p></p></p> 进行2次替换后就只剩下<p>符合我们的要求。一般设置3次够了，大多数网站的标签不会超过3次嵌套。需要注意的是，采用这种方法就需要把多个p标签替换为1个的正则替换规则往后移。

3、清理多余的p标签，纯正则替换

(<p>){2,}|(</p>){2,} 为 $1$2

只要连续出现2个以上的<p>或</p>都会替换成一个

4、清理可能出现的标签，并把文中所有连续2个以上的空格过滤掉

纯正则替换 <(?!/?p|img).*?>|s{2,} 为空

p标签和img标签外的所有标签都会被过滤掉，不用担心有杂七杂八的标签出现

为什么要选择2个以上的空格替换为空呢？因为文章中出现一个空格是有利于整洁的，如果包含英文那就更需要留这个空格了，而2个以上的空格一般是多余的，对正文没有意义。