火车头采集常用的纯正则过滤

为了得到一个标准的内容，在采集上必须下足功夫才行!编写好采集规则。

       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：清除与正文无关的内容，如文中的广告，注释等

　　正则 <header>[\s\S]*?</header>|<!--.*?-->| |规则4|规则5 替换为 空

　　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。

　　第二步：只保留图片以及常用的块级元素

　　正则 (?i)<(?!/?h|/?p|/?div|br|img).*?> 替换为 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

　　第三步：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

　　正则 <(?!img)(/?)\w+.*?> 替换为 <$1p>

　　第四步：把乱七八糟的图像样式，改成标准图像代码

　　正则 <img.*?src="(.+?)".*?> 替换为 <img src="$1">

　　第五步：规范段落标签<p>开始</p>结束

　　正则 </?p>替换为</p><p>

　　慧聪网段落只有<p>开始没有</p>结束

　　某些站个别文章,</p>结束后没有<p>开始就直接是下个段落的内容

　　第六步：把<p>或</p>前后的空格替换为空

　　正则 \s*(<\/?p>)\s* 替换为 $1

　　第七步：把连续2个以上的<p>或</p>替换为1个

　　正则 (<p>){2,}|(</p>){2,} 替换为 $1$2

　　第八步：把所有的空段落替换为空

　　内容 <p></p> 替换为 空

　　第九步：由于第五步的关系，文章开头可能是</p>结尾可能是<p>需要清理他们

　　正则 ^</p>|<p>$ 替换为 空

   过滤英文正则  [a-zA-Z]

   正则过滤两位以上的数字(\d{2,100})