3bmmm.com栏目导航扫码 立即咨询
✖
不断超越客户的期望值，源自我们对这个行业的热爱
来源：常见问题解疑 - 远策科技 | 2022-01-24 继续了解
火车采集器几乎所有网页都能采集，用途很广。 对照阅读比如网站采集内容、采集数据挖掘客户、舆情监测、文件批量下载等。我日常主要用于网站日常采集文章，今天分享下如何通过火车采集器得到一个”标准“的内容。
这里所谓的标准，是所采集的文章每一个段落都是
，没有多余的HTML标签和与主题无关的字符。这里我们可以通过 纯正则替换 达到我们的目的。以下为一些常用的 纯正则替换 规则示例：
清除与正文无关的内容
正则
替换空
如文中的广告，注释等。 继续了解例如如果发布到一些免费平台，有的HTML特殊字符并不会被转化，只需在末尾加入'|&.*?;'过滤掉最后特殊HTML字符即可。
只保留图片以及常用的块级元素
正则 (?i)<(?!/?h|/?p|/?div|br|img).*?>
替换空
只保留标题标签 h 分段标签 p、div、br 以及图像标签 img ;前面的(?i)表示不区分大小写
把标签修改为p
正则<(?!img)(/?)\w+.*?>
替换<$1p>
去掉除了img标签外的所有标签的选择器或样式，并把标签修改为p，如果需要保留其他标签可以参考这样写 <(?!img)(?!h)(?!/h)(/?)\w+.*?> 这里是保留img和h标题标签
改成标准图像代码
正则
替换
把乱七八糟的图像样式，改成标准图像代码
规范段落标签
正则
替换
规范段落标签
开始
结束，某些站个别文章,结束后没有开始就直接是下个段落的内容
段落去除前后空格
正则 \s*(<\/?p>)\s*
替换$1
把
或
前后的空格替换为空去除多余P标签
正则(
){2,}|(
){2,}替换$1$2
把连续2个以上的
或
替换为1个去除空段落
内容
替换空
把所有的空段落替换为空，普通替换即可
清理多余标签
正则 ^
|$
替换空
因为第五步的关系，文章开头可能是
结尾可能是需要清理他们
其他可能用到的
过滤英文正则[a-zA-Z]
过滤两位以上的数字(\d{2,100})
3bmmm.com栏目导航有限3bmmm.com栏目导航以工匠精神打造精致服务，不循规蹈矩，不惊世骇俗，为企业互联网营销整合方案，服务涵盖： 3bmmm.com栏目导航、网站推广、品牌优化、3bmmm.com栏目导航开发、VI3bmmm.com栏目导航、视频制作等。解决企业互联网营销难题，让企业不再为推广而烦恼。
10年3bmmm.com栏目导航推广经验
18家优秀合作3bmmm.com栏目导航机构
117家品牌长期合作共赢
1000+3bmmm.com栏目导航案例作品
专注营销型3bmmm.com栏目导航定制
深厚经验3bmmm.com栏目导航团队
完备的项目流程管理体系
企业一站式网络推广服务
一路走来，崇尚创意是我们的活力和根源，让客户满意是我们工作的目标， 不断超越客户的期望值源自我们对这个行业的热爱！远策科技结合十年互联网品牌3bmmm.com栏目导航经验和整合营销的理念，将策略和执行紧密结合。有效提升企业推广整体表现！
建站3bmmm.com栏目导航地址：石家庄市长安嘉和广场1911、裕华区ICC环球智慧中心24F | 业务咨询：131-1155-0088 , 159-3167-7513
河北远策网络3bmmm.com栏目导航为您提供石家庄3bmmm.com栏目导航制作,网站优化推广,网站改版托管等 | 冀ICP备18035311号-1 | SITEMAP | 冀公网安备:13010202002454号
✖