火车头采集器相关问题记录

其他

为了得到一个标准的内容，干净的内容更利于搜索引擎识别，也减少数据库压力，在采集上必须下足功夫才行！编写好采集规则。

去掉P标签内样式：

正则 <p(.*?)> 替换成 <p>

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>

把所有的空段落替换为空

内容 <p></p> 替换为 空

也许您对下面的内容还感兴趣：